复杂化学体系自由能计算的神经网络代理模型
机器学习
2026-01-26 v1 人工智能
计算工程、金融与科学
化学物理
计算物理
摘要
高斯过程回归（GPR）等自由能重构方法需要集体变量（CV）的雅可比矩阵，这一瓶颈限制了复杂或机器学习型CV的使用。我们提出了一种神经网络代理框架，可直接从笛卡尔坐标学习CV，并利用自动微分提供雅可比矩阵，从而绕过解析形式。在MgCl2离子对体系上，我们的方法对简单距离CV和复杂配位数CV均实现了高精度。此外，雅可比误差也近似服从高斯分布，使其适用于GPR流程。该框架使基于梯度的自由能方法能够纳入复杂和机器学习型CV，拓宽了生物化学和材料模拟的范围。
引用
@article{arxiv.2510.01396,
title = {Neural Network Surrogates for Free Energy Computation of Complex Chemical Systems},
author = {Wasut Pornpatcharapong},
journal= {arXiv preprint arXiv:2510.01396},
year = {2026}
}
备注
6 pages, 4 figures. This work has already been accepted for presentation in The 29th International Computer Science and Engineering Conference (ICSEC) 2025, Chiang Mai, Thailand, and will be published in IEEE Xplore