学习液-汽界面的分子间作用力

通过采用当代液体状态理论的视角，我们考量如何训练人工神经网络势以描述非均匀、无序系统。我们发现，基于原子环境局域表示的神经网络势能够描述液-汽界面的某些性质，但对于依赖破缺平移对称性下累积的不平衡长程相互作用的性质通常失效。这些相同的相互作用在平移不变的体相中相互抵消，使得局域神经网络势能正确描述体相性质。通过引入显式缓慢变化长程相互作用模型并仅对短程分量训练神经网络，我们可以得到稳健恢复界面性质的势。我们发现局域神经网络模型有时可近似一个局域分子场势以修正截断相互作用，但该行为不稳定且难以学习。总体而言，我们发现具有显式静电学的模型更易于训练且精度更高。我们在一个长程相互作用精确可知的不对称偶极流体简单模型，以及一个长程相互作用被近似的从头算水模型中展示了该视角。