PhysNet遇见CHARMM：一种用于常规机器学习/分子力学模拟的框架
化学物理
2023-07-26 v1
摘要
基于机器学习（ML）技术的全维势能面（PESs）为气相和凝聚相中从光谱到反应动力学的各种实验可观测量的准确高效分子模拟提供了手段。在此，将MLpot扩展中以PhysNet作为PES的ML基模型引入新开发的pyCHARMM API中。为说明典型工作流程的构思、验证、改进和使用，以对氯苯酚为例。主要焦点在于如何从实际角度处理具体问题，并详细讨论了对光谱可观测量和溶液中-OH扭转的自由能的应用。对于指纹区计算的红外光谱，对氯苯酚在水中的计算与在CCl中进行的实验在定性上吻合良好。此外，相对强度也与实验结果大体一致。由于-OH基团与周围水分子的有利氢键相互作用，-OH基团旋转的势垒从气相中的 kcal/mol增加到水中模拟的 kcal/mol。
引用
@article{arxiv.2304.12973,
title = {PhysNet Meets CHARMM: A Framework for Routine Machine Learning / Molecular Mechanics Simulations},
author = {Kaisheng Song and Silvan Käser and Kai Töpfer and Luis Itza Vazquez-Salazar and Markus Meuwly},
journal= {arXiv preprint arXiv:2304.12973},
year = {2023}
}
备注
38 pages, 11 figures