基于神经网络预测相互作用的各向异性粒子分子动力学模拟
软凝聚态物质
2024-02-20 v1 材料科学
其他凝聚态物理
摘要
由较小复合颗粒组成的刚性实体常用于分子动力学或蒙特卡洛方法来模拟各向异性粒子。为了准确表示粒子形状并获得两个刚性实体之间光滑且真实的有效偶极相互作用，每个实体可能需要包含数百个球形颗粒。对于一对相互作用的粒子，传统 MD 方法会计算在一定距离范围内的颗粒间距离。对于包含大量各向异性粒子的系统，距离计算在计算上代价高昂，限制了可达的系统规模和仿真时间。然而，两个刚性粒子之间的有效相互作用仅取决于它们的质心间距离以及相对取向。因此，一个直接将质心距离和取向映射到两个刚性粒子之间相互作用能量的函数，将完全绕过颗粒间距离的计算。对于大多数非球形刚性实体，难以对其进行解析推导。我们训练了神经网络这类强大的工具，可用于对复杂数据集中的非线性函数进行拟合。将粒子对配置作为输入，直接预测两个刚性粒子之间的能量、力和扭矩。我们表明，使用来自能量神经网络梯度获得的力和扭矩进行的立方体和圆柱体的 MD 模拟，定量上与使用复合刚性实体的传统仿真相符。结构量以及动态测量值一致，而实现了最高可达 23 倍的加速，具体取决于硬件和系统规模。该方法可以原则上应用于任何不规则形状的任意两两相互作用，前提是能够获得足够的训练数据。
引用
@article{arxiv.2402.12199,
title = {Molecular Dynamics Simulations of Anisotropic Particles Accelerated by Neural-Net Predicted Interactions},
author = {B. Rusen Argun and Yu Fu and Antonia Statt},
journal= {arXiv preprint arXiv:2402.12199},
year = {2024}
}