学习热力学响应力：通过机器学习扩展粗粒度模型的热力学传递性
化学物理
2026-02-27 v1
摘要
机器学习（ML）粗粒度（CG）模型是一种有前景的工具，通过系统性地删除自由度来显著提高分子模拟的效率，同时保持与底层细粒度模型的忠实性。CG 平均势（PMF）本质上取决于热力学条件，因此在一个热力学状态点训练的CG 力场（FF）在另一个状态点可能并不准确。我们在本工作中提出了一种新颖且数据高效的方式，通过学习PMF的热力学响应力来将温度依赖性纳入ML CG 力场。我们演示了将这些术语纳入ML CG FF 后，如何为CG水模型提供显著改进的可传递性，并展示了这种可传递性如何使CG动力学能够准确且具有预测性。
引用
@article{arxiv.2602.23198,
title = {Learning Thermal Response Forces: A Method for Extending the Thermodynamic Transferability of Coarse-Grained Models via Machine-Learning},
author = {Patrick G. Sahrmann and Benjamin T. Nebgen and Kipton Barros and Brenden W. Hamilton},
journal= {arXiv preprint arXiv:2602.23198},
year = {2026}
}