基于机器学习的经验能量函数改进：修饰苯的结构、动力学与光谱
化学物理
2024-11-14 v1
摘要
评估了用机器学习替换经验能量函数中个别贡献对卤代苯（X-Bz，X = H, F, Cl, Br）和氯代苯酚（Cl-PhOH）的影响。引入基于分布电荷（MDCM）的静电模型以取代常用的原子中心点电荷模型，除非重新参数化范德华参数，否则会导致水合自由能被高估。对于三种Cl-PhOH和大多数X-Bz，将范德华半径缩放10%至20%可得到落在实验误差范围内的结果，这令人鼓舞；而对于苯（H-Bz），基于点电荷的模型已足够。用神经网络训练的能量函数（采用波动电荷或MDCM静电学）替换键合项，也能给出定性正确的水合自由能，但仍需调整范德华参数。所有模型都能相当好地预测Cl-PhOH的红外光谱，尽管基于机器学习的能量函数在骨架模式区域表现略好。结论是，针对特定应用改进经验能量函数是迈向更定量模拟的有效途径。
引用
@article{arxiv.2411.08831,
title = {Machine Learning-Based Enhancements of Empirical Energy Functions: Structure, Dynamics and Spectroscopy of Modified Benzenes},
author = {Kham Lek Chaton and Markus Meuwly},
journal= {arXiv preprint arXiv:2411.08831},
year = {2024}
}