基于第一性原理和机器学习分子动力学的分子与离子溶剂自由能预测

分子与离子的溶剂自由能 (SFE) 是支配其溶剂行为与溶解性的基本性质。分子模拟提供了计算 SFE 的途径，可通过热力学积分或自由能扰动等阿化学 free energy 方法实现。然而，这些方法 suffer 从 end-point singularity 导致的numerical不稳定，当原子接近时尤为突出，这在 ab initio 和机器学习分子动力学模拟中尤为突出。本文介绍了用于计算分子与离子 SFE 的 bubble method。我们的做法在 ab initio 和机器学习分子动力学模拟中避免了 end-state problem，并适用于形状任意的分子与离子。当使用周期性密度泛函理论计算离子 SFE 时，我们纠正了中性化学背景电荷、周期性镜像之间的虚构相互作用，以及真空-水界面势。为验证我们的方法，我们成功地使用经典、ab initio 和机器学习分子动力学模拟计算了甲烷、甲醇、水和钠离子的 SFE。重要的是，我们的方法不需要实验输入或经验数据。这使其特别适用于研究极端条件下的系统，如高压温度环境或在纳米约束下，实验研究在这些情况下具有挑战性，而经典力场（通常在室温条件下参数化）可能不可靠。