怎样登网站,wordpress 后台破解,深圳专业制作网站的公司哪家好,项目设计方案模板内容一览#xff1a; 使用传统方法分析化学系统与外场的相互作用#xff0c;具有效率低、成本高等劣势。中国科学技术大学的蒋彬课题组#xff0c;在原子环境的描述中引入了场相关特征#xff0c;开发了 FIREANN#xff0c;借助机器学习对系统的场相关性进行了很好的描述。…内容一览 使用传统方法分析化学系统与外场的相互作用具有效率低、成本高等劣势。中国科学技术大学的蒋彬课题组在原子环境的描述中引入了场相关特征开发了 FIREANN借助机器学习对系统的场相关性进行了很好的描述。
关键词 化学物理学 分子动力学 外界场
作者 | 雪菜
编辑 | 李宝珠
化学系统与外场的相互作用在物理、化学及生物过程中至关重要。以电场为主的外场可以与原子、分子和凝聚态物质相互作用导致电子或自旋极化或是改变系统的空间取向。
密度泛函理论 (DFT) 和从头算分子动力学 (AIMD) 已被用于研究外加电场下的复杂周期和非周期系统。然而AIMD 的应用要求很高尤其是在核量子效应 (NQEs) 比较重要的系统中很难使用。
经验力场分析效率很高但准确率有限而精确的场相关量子散射计算只适用于非常小的系统。
与此同时机器学习 (ML) 在解决高维化学问题中取得了不俗的成果。然而大多数机器学习模型将势能和系统对电场的响应分割看待忽略了系统的场相关性。
为此中国科学技术大学的蒋彬课题组在原子环境的描述中引入了场相关特征开发了场诱导递归嵌入原子神经网络 (FIREANN) 。FIREANN 不仅可以准确描述外场强度和方向的变化时系统能量的变化趋势还能对任意阶数的系统响应进行预测。这一成果已发表于「Nature Communication」。 这一成果已发表于「Nature Communication」
论文链接
https://www.nature.com/articles/s41467-023-42148-y
FIREANN 模型链接
https://github.com/zhangylch/FIREANN
关注公众号后台回复「相互作用」获取论文完整 PDF
FIREANNREANN 伪原子场向量
FIREANN 的基础是 REANN 模型后者通过嵌入原子密度 (EADs) 对原子环境进行描述。外加场时电子密度会重新分布系统的旋转不变性也会被破坏。系统和外场的相互作用显然会受到电场强度和方向的影响。 FIREANN 的架构
FIREANN 会为每个原子赋一个模拟真实原子行为的伪原子场向量随后二者结合得到场相关嵌入原子密度作为神经网络的输入最终输出原子力、偶极矩、极化率等物理量。
每个原子的伪原子场向量可以表示为 随后将场相关轨道和高斯轨道 (GTOs) 组合成场诱导 EADs (FI-EAD) 矢量 这里每个原子受到的外加场由伪原子相对于该原子的位置矢量表示。FI-EAD 便可以由原子间距离和封闭角重写 实验验证
玩具模型:水分子的精准预测和外推
研究人员首先以水分子作为玩具模型 (Toy System) 验证 FIREANN 对系统-外场相互作用的预测。在 yz 面上有一个水分子x 方向上有强度为 0.1 V/Å 的电场。
由于外场和分子平面始终正交分子的势能不会发生变化。FIREANN 准确预测到了这一结果。
同时FIREANN 对分子沿 y 轴旋转时的偶极-电场相互作用进行了精准预测。 FIREANN 对 yz 面水分子受外界电场影响的预测
a水分子沿 x 轴旋转的情况
b水分子沿 y 轴旋转的情况
c电场强度变化时 DFT、FIREANN 和 FieldSchNet 的预测结果。
FIREANN 还有很强的外推能力仅用单一的训练数据便推理得到了电场强度在 -0.2-0.2 V/Å 时分子势能的变化。这是传统的 FieldSchNet 模型做不到的。
NMA:IR 光谱的准确预测
FIREANN 的一个典型特征就是它可以一步预测化学系统在有无外场时的能量和响应特性。
研究人员在 N-甲基乙酰胺 (NMA) 上进行了测试。当外界电场在 0.0-0.4 V/Å 变化时FIREANN 能够对 NMA 分子的能量、偶极矩和极化率进行有效预测均方根误差 (RMSEs) 分别为 0.0053 eV、0.028 Debye 和 0.51 a.u。 FIREANN 和 DFT 对 NMA 的能量 (a)、偶极矩 (b) 和极化率 © 的预测相关性图
FIREANN 还对场内的分子光谱进行了预测。当电场强度以 0.1 V/Å 的步长逐渐从 0.0 增加至 0.4 V/Å 时C-O 伸缩带的变化最为明显。随着电场强度增加C-O 伸缩带的 P/R 分支逐渐消失吸收峰变得更加尖锐。
此外FIREANN 还预测外加电场会降低化学键的强度导致 CO 的拉伸振动红移距离与电场强度成正比。 300 K 下 NMA 在不同强度电场下的 FIREANN 预测结果
液态水:周期系统的高度吻合
为验证 FIREANN 模型预测周期系统对外加电场响应的能力研究人员在液态水中进行了测试。与分子系统不同周期系统的极化强度 (单位体积的偶极矩) 是一个多值量导致其存在多个平行分支引起偶极矩的突变。
AIMD 预测中我们可以清楚地看到偶极矩的突变带来的结果的不连续在外加电场之后这种突变会更加频繁这为传统的机器学习算法带来了挑战。 AIMD、修正后的 AIMD 和 FIREANN 对无场 (a) 和有场 (b) 时液态水的偶极矩分析
而在 FIREANN 框架中由于模型只在有电场的情况下进行了原子力的训练系统的能量梯度其实是不受影响的因此轻松绕过了这一问题。
为此研究人员构建了一个包含 64 个水分子x 方向上电场强度 0.6 V/Å 的模型以原子力作为唯一的预测对象称为 FIREANN-wF。模型对原子力的预测与实验高度一致均方根误差仅 39.4 meV/Å。
FIREANN-wF 对液态水的无场径向分布函数 (RDFs) 的预测与 DFT 和实验结果也是吻合的。 FIREANN 对 O-O (a)、O-H (b) 和 H-H © 的径向分布函数的预测及与实验结果的对比
偶极矩对于 IR 谱具有重要影响。由于 FIREANN-wF 模型会对核量子效应进行分析它能够对势能面 (PES) 和偶极矩面进行正确的预测与 DFT 的结果一致。
随后利用 FIREANN-wF 对外加 0.4 V/Å 后的 IR 谱进行预测。由于电场降低了 O-H 键的强度同时诱导水分子重定向与电场平行光谱中 O-H 伸缩带出现了明显的红移。 FIREANN 对无场 (a) 和有场 (b) 情况下液态水的光谱预测及与实验结果的对比
对比 REANN:外推能力与高速训练
虽然此前已有与 FIREANN-wF 训练方式类似的模型然而它们对外场的处理方式完全不同导致这些模型无法对高阶的相互作用进行预测。
而在 FIREANN 中引入场相关原子轨道后模型可以通过轨道间的相互作用捕获电子密度对外场的响应。
前文已经对比过 FIREANN 和 FieldSchNet 在水分子中的差异这一差异在周期系统中依然存在。
研究人员利用水分子和 x 方向的电场建立了测试体系。FIREANN 和 FieldSchNet 的预测均方根误差分别为 54.5 meV/Å 和 245.4 meV/Å。与之前的结果类似FIREANN 可以将预测外推到 ±2 V/Å而 FieldSchNet 不具备这一能力。 DFT、FIREANN 和 FieldSchNet 对液态水体系能量在电场变化时的外推结果
训练时间上看在单张显存为 80 GB 的 A100 上 FieldSchNet 的单个 epoch 为7.6 分钟而 FIREANN 仅用 2.4 分钟。
分子-场相互作用微观系统的遥控器
化学系统和外场的相互作用为人们研究微观系统提供了窗口更为微观系统的操纵提供了有力的工具。通过调控外加电场可以改变物质的化学结构、促进电子转移、控制物质相变和生物分子的构象变化、调整催化剂的选择性甚至影响冷化学反应的量子动力学。
在扫描隧道显微镜的尖端和金属表面之间施加电场可以将金属表面的偶氮苯衍生物可逆的反式-顺式异构化。 金 (111) 表面偶氮苯的反式-顺式异构
同样的改变电场的取向可以在纳米尺度上改变分子的混合模式。 1,3,5-三(4-羧基苯基)苯和三聚硅酸在不同电压下的混合模式
可以说分子与外场的相互作用便是微观系统的遥控器。理解这一相互作用对于微观尺度的科学研究具有重要意义。FIREANN 能够准确分析周期系统和非周期系统与外场的相互作用并对任意阶数的系统响应进行预测为微观研究提供了新方法。
参考链接
[1]https://pubs.acs.org/doi/full/10.1021/ja065449s
[2]https://pubs.acs.org/doi/full/10.1021/acsnano.7b04610
—— 完 ——
