基于双图卷积神经网络的可迁移温度粗粒化离子液体模型
计算物理
2020-11-10 v2 材料科学
摘要
计算机模拟可深入揭示离子液体(ILs)的机理，并预测实验上尚未实现的离子组合的性质。然而，离子液体的原子运动与系综运动的时间尺度差异尤为显著。因此，人们采用粗粒化模型替代昂贵的原子模拟，从而能够模拟更长时间尺度和更大规模的体系。尽管如此，构建定义粗粒化系统结构与动力学的多体平均力势可能十分复杂且计算密集。机器学习在为降维与学习平均力势这两个关键耦合挑战方面展现出巨大潜力。为改进离子液体的粗粒化，我们提出了一种在全原子经典分子动力学模拟上训练的神经网络模型。平均力势表示为两个联合训练的神经网络原子间势，分别学习耦合的短程与多体长程分子相互作用。这些原子间势将温度作为显式输入变量，以捕捉平均力势的温度依赖性。该模型以高保真度复现结构量，在捕捉动力学方面优于与温度无关的基线，可泛化至未见温度，且模拟成本低廉。
引用
@article{arxiv.2007.14144,
title = {Temperature-transferable coarse-graining of ionic liquids with dual graph convolutional neural networks},
author = {Jurgis Ruza and Wujie Wang and Daniel Schwalbe-Koda and Simon Axelrod and William H. Harris and Rafael Gomez-Bombarelli},
journal= {arXiv preprint arXiv:2007.14144},
year = {2020}
}
备注
9 pages, 6 figures, 2 supplementary material pages