TensorMol-0.1 模型化学：一种由长程物理增强的神经网络
化学物理
2017-11-21 v2
摘要
传统力场无法模拟化学反应性，且在不重新拟合的情况下泛化性低。神经网络势有望以低成本提供接近第一性原理精度的能量和力，从而解决这些问题。然而，数据驱动方法对于具有简单物理公式的长程原子间作用力自然效率低下。在本稿中，我们构建了一种混合模型化学，由近程神经网络势与屏蔽的长程静电和范德华物理组成。这一训练好的势简称为“TensorMol-0.1”，以开源 python 包形式提供，能够进行常用于化学研究的多种模拟类型：几何优化、谐振谱以及开放或周期性分子动力学、蒙特卡洛和微动弹性带计算。我们描述了该包的鲁棒性和速度，展示了在普通笔记本电脑上达到毫哈特里精度并可扩展至数万个原子。我们通过复现振动谱和模拟蛋白质的分子动力学展示了模型的性能。我们与电子结构理论和实验的比较表明，神经网络分子动力学即将成为分子模拟的重要工具，降低了模拟化学的资源壁垒。
引用
@article{arxiv.1711.06385,
title = {The TensorMol-0.1 Model Chemistry: a Neural Network Augmented with Long-Range Physics},
author = {Kun Yao and John E. Herr and David W. Toth and Ryker Mcintyre and John Parkhill},
journal= {arXiv preprint arXiv:1711.06385},
year = {2017}
}