机器学习时代经验能量函数的系统性改进
化学物理
2023-11-13 v1 原子与分子团簇
摘要
针对纯水、二氯甲烷 (DCM) 以及溶剂化的 K 与 Cl 离子，定量评估了经验力场中单项替换的影响。对于静电作用，评估了点电荷 (PCs) 与基于机器学习 (ML) 的最小分布电荷 (MDCM)（拟合分子静电势得到）以及基于库仑积分的静电作用。通过向已有力场（此处为 CHARMM）添加片段分子轨道 (FMO) 衍生的极化能，研究了显式包含二阶项的影响。结果表明，各向异性静电作用降低了水的 RMSE（1.6 kcal/mol）、DCM（0.8 kcal/mol）及溶剂化 Cl 团簇（0.4 kcal/mol）。额外的极化项对 DCM 可忽略，但显著改善了纯水（1.1 kcal/mol）与 Cl 团簇（0.4 kcal/mol）的误差，并且是描述溶剂化 K 的关键，使 RMSE 降低 2.3 kcal/mol。研究发现 12-6 Lennard-Jones 函数形式在 PC 与 MDCM 静电下表现满意，但不适用于考虑静电穿透能的描述。通过比较严格二体方法与自洽参考数据，评估了多体贡献的重要性。DCM 可较好地用二体势近似，而水与溶剂化 K、Cl 离子需显式多体修正。本工作系统性地量化了哪些项可改进已有力场性能，以及以何种参考数据可采可行方式对这些项进行参数化，以用于纯体系与异相体系的 ML 拟合。
引用
@article{arxiv.2310.18655,
title = {Systematic Improvement of Empirical Energy Functions in the Era of Machine Learning},
author = {Mike Devereux and Eric D. Boittier and Markus Meuwly},
journal= {arXiv preprint arXiv:2310.18655},
year = {2023}
}