分子动力学模拟中用于参数自动调优的机器学习：可极化纳米颗粒附近离子的高效动力学

由于需要在每个模拟时间步求解泊松方程，使用粗粒化模型模拟可极化纳米颗粒（NPs）附近离子的动力学极具挑战性。近来，一种基于动态优化框架的分子动力学（MD）方法通过将极化电荷密度表示为虚拟动态变量并与离子的物理动力学并行演化，绕过了这一障碍。我们通过展示在可极化 NPs 附近离子的 MD 模拟中如何实现机器学习（ML）方法用于参数预测，凸显了在 MD 模拟中集成 ML 方法进行参数预测所带来的计算收益。一个基于人工神经网络的回归模型与 MD 模拟集成，并以 $94.3\%$ 的成功率预测了表征虚拟系统的最优模拟时间步与优化参数。这种 ML 赋能的参数自动调优生成了准确的离子动力学，持续约 $10$ 百万步，同时将模拟稳定性提升了一个数量级以上。将 ML 增强框架与混合 OpenMP/MPI 并行化技术集成，将数千个离子与诱导电荷系统的模拟计算时间从数千小时缩短至数十小时，其中仅 ML 加速带来最大约 $\approx 3$ 倍的加速，而 ML 与并行计算结合带来最大约 $\approx 600$ 倍的加速。从油水乳液附近浓电解质中提取离子结构证明了该方法的成功。该方法可推广至其他 MD 应用与能量最小化问题中的最优参数选择。