基于神经网络反应势能面的氢转移反应动力学与光谱学
化学物理
2020-08-26 v1
摘要
对化学、物理和生物系统的计算机模拟探索需要准确而高效的能量函数，以在分子和原子水平上追踪其核动力学。近来，机器学习工具在分子科学与模拟领域备受关注，并日益用于研究此类系统的动力学。在各种方法中，人工神经网络（NNs）是学习势能面表示的一种有前景的工具。其做法是将问题表述为从一组原子位置 和核电荷 到势能 的映射。本文学习了丙二醛（MA）、乙酰乙醛（AAA）和乙酰丙酮（AcAc）的完全维数、反应性神经网络表示，并用于运行有限温度分子动力学模拟，以及确定这三种分子的红外光谱和氢转移速率。基于在 MP2 参考数据上学习的 NN 得到的 MA 有限温度红外光谱，真实地表示了低频模式和 H 转移带，而 CH 振动的频率则略偏高。对于 AAA，结果表明红外光谱对转移氢位于分子的 OCH- 端还是 OCCH 端敏感。对于氢转移速率，结果表明 O-O 振动是一种门控模式，并在很大程度上决定了氢在供体和受体之间转移的速率。最后，探讨了进一步改进此类基于 NN 的势能面的可能性，包括 NN 学习的能量函数在化学物种间（此处为甲基化）的可迁移性，以及从较低参考数据水平（MP2）到较高理论水平（对偶自然轨道-LCCSD(T)）的迁移学习。
引用
@article{arxiv.1911.09475,
title = {Reactive Dynamics and Spectroscopy of Hydrogen Transfer from Neural Network-Based Reactive Potential Energy Surfaces},
author = {Silvan Käser and Oliver T. Unke and Markus Meuwly},
journal= {arXiv preprint arXiv:1911.09475},
year = {2020}
}