基于机器学习分子运动预测输运性质
化学物理
2022-03-08 v1 软凝聚态物质
机器学习
摘要
分子动力学（MD）模拟正日益与机器学习（ML）相结合以预测材料性质。从 MD 获得的分子构型由多种特征表示，如热力学性质，并用作 ML 输入。然而，为准确发现输入输出模式，ML 需要规模足够的数据集，其大小取决于 ML 模型的复杂度。从 MD 模拟生成如此大的数据集并不理想，因其计算成本高昂。本研究中，我们提出一种简单的监督式 ML 方法来预测材料的输运性质。为简化模型，采用无监督 ML 方法获取分子运动的高效表示。该方法被应用于预测受限剪切流下润滑分子的黏度。此外，简洁性有助于对模型进行解释以理解黏度的分子机理。我们揭示了两类导致低黏度的分子机制。
引用
@article{arxiv.2203.03103,
title = {Prediction of transport property via machine learning molecular movements},
author = {Ikki Yasuda and Yusei Kobayashi and Katsuhiro Endo and Yoshihiro Hayakawa and Kazuhiko Fujiwara and Kuniaki Yajima and Noriyoshi Arai and Kenji Yasuoka},
journal= {arXiv preprint arXiv:2203.03103},
year = {2022}
}