利用元动力学构建反应事件的神经网络势：以水溶液中尿素分解为例

水溶液中的化学反应研究因其对从生物学到工业过程等多个科学领域的意义而非常重要。然而，当水直接参与反应时，对这些反应进行建模是困难的。由于需要对系统进行完全的量子力学描述，$\textit{ab-initio}$（第一性原理）分子动力学是阐明这些过程的理想选择。然而，其应用范围受到高计算成本的限制。一个流行的替代方案是执行由机器学习势驱动的、训练于大量量子力学计算的分子动力学模拟。对于反应过程而言，可靠地做到这一点是困难的，因为这需要包含非常多中间态和过渡态构型。在本研究中，我们使用了一种由增强采样加速的主动学习过程来采集此类结构，并构建了一个神经网络势以研究水中的尿素分解过程。这使我们能够在宽温度范围内获得这一重要反应的自由能曲线，发现若干新颖的亚稳态，并提高动力学速率计算的精度。此外，我们发现两性离子中间体的形成通过酸性或碱性路径发生的概率相同，这可能是反应速率对溶液 pH 不敏感的原因。