• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Química
    Um novo modelo de aprendizado de máquina para simulação molecular em um campo externo
    Esquemas do framework FIREANN. Crédito:Equipe do Prof. Jiang

    A equipe de pesquisa do professor Jiang Bin da Universidade de Ciência e Tecnologia da China (USTC) desenvolveu um modelo de rede neural de átomo incorporado recursivamente induzido por campo universal (FIREANN), que pode simular com precisão interações sistema-campo com alta eficiência. A pesquisa deles foi publicada na Nature Communications em 12 de outubro.



    A simulação atômica desempenha um papel crucial na compreensão dos espectros e da dinâmica de sistemas químicos, biológicos e materiais complexos em nível microscópico. A chave para simulações atômicas é encontrar a representação precisa de superfícies de energia potencial (PESs) de alta dimensão.

    Nos últimos anos, o uso de modelos atomísticos de aprendizado de máquina (ML) para representar PESs com precisão tornou-se uma prática comum. No entanto, a maioria dos modelos de ML descreve apenas sistemas isolados e não consegue capturar as interações entre campos externos e os sistemas, que podem alterar a estrutura química e controlar a transição de fase por meio de polarização eletrônica ou de spin induzida por campo. É urgentemente necessário um novo modelo de ML que leve em conta campos externos.

    Para resolver este problema, a equipe de pesquisa do Prof. Jiang propôs uma abordagem “tudo-em-um”. A equipe primeiro tratou o campo externo como átomos virtuais e usou densidades atômicas incorporadas (EADs) como descritores para o ambiente atômico. O EAD induzido por campo (FI-EAD) foi derivado da combinação linear dos orbitais dependentes de campo e orbitais de átomos baseados em coordenadas, que captura a natureza da interação entre o campo externo e o sistema, levando ao desenvolvimento de Modelo FOREANN.

    Este modelo correlaciona com precisão várias propriedades de resposta do sistema, como momento de dipolo e polarizabilidade, com as mudanças de energia potencial que dependem de campos externos, fornecendo uma ferramenta precisa e eficiente para simulações de espectroscopia e dinâmica de sistemas complexos sob campos externos.

    A equipe verificou a capacidade do modelo FIREANN conduzindo simulações dinâmicas de N-metilacetamida e água líquida sob um forte campo elétrico externo, ambas demonstrando alta precisão e eficiência. Vale ressaltar que para sistemas periódicos, o modelo FIREANN pode superar o problema inerente de múltiplos valores da polarização treinando apenas com dados de forças atômicas.

    Esta pesquisa preencheu a lacuna da falta de representação precisa do campo externo em um modelo de ML, o que contribuirá para o avanço das simulações moleculares em química, biologia e ciência dos materiais.

    Mais informações: Yaolong Zhang et al, Aprendizado de máquina universal para a resposta de sistemas atomísticos a campos externos, Nature Communications (2023). DOI:10.1038/s41467-023-42148-y
    Informações do diário: Comunicações da Natureza

    Fornecido pela Academia Chinesa de Ciências



    © Ciência https://pt.scienceaq.com