El equipo de investigación del profesor Jiang Bin de la Universidad de Ciencia y Tecnología de China (USTC) ha desarrollado un modelo universal de red neuronal atómica integrada recursivamente inducida por campo (FIREANN), que puede simular con precisión las interacciones sistema-campo con alta eficiencia. Su investigación fue publicada en Nature Communications. el 12 de octubre.
La simulación atómica desempeña un papel crucial en la comprensión de los espectros y la dinámica de sistemas químicos, biológicos y materiales complejos a nivel microscópico. La clave para las simulaciones atómicas es encontrar la representación precisa de superficies de energía potencial (PES) de alta dimensión.
En los últimos años, el uso de modelos atomísticos de aprendizaje automático (ML) para representar con precisión los PES se ha convertido en una práctica común. Sin embargo, la mayoría de los modelos ML solo describen sistemas aislados y no pueden capturar las interacciones entre los campos externos y los sistemas, que pueden cambiar la estructura química y controlar la transición de fase mediante polarización electrónica o de espín inducida por el campo. Se necesita con urgencia un modelo de aprendizaje automático novedoso que tenga en cuenta campos externos.
Para abordar este problema, el equipo de investigación del profesor Jiang propuso un enfoque "todo en uno". El equipo primero trató el campo externo como átomos virtuales y utilizó densidades atómicas integradas (EAD) como descriptores del entorno atómico. El EAD inducido por campo (FI-EAD) se derivó de la combinación lineal de los orbitales de los átomos basados en coordenadas y orbitales dependientes del campo, que captura la naturaleza de la interacción entre el campo externo y el sistema, lo que conduce al desarrollo de Modelo FIREANN.
Este modelo correlaciona con precisión varias propiedades de respuesta del sistema, como el momento dipolar y la polarizabilidad, con los cambios de energía potencial que dependen de campos externos, proporcionando una herramienta precisa y eficiente para la espectroscopia y simulaciones dinámicas de sistemas complejos bajo campos externos. P>
El equipo verificó la capacidad del modelo FIREANN realizando simulaciones dinámicas de N-metilacetamida y agua líquida bajo un fuerte campo eléctrico externo, demostrando ambas alta precisión y eficiencia. Vale la pena mencionar que para los sistemas periódicos, el modelo FIREANN puede superar el problema inherente de la polarización de valores múltiples entrenando únicamente con datos de fuerzas atómicas.
Esta investigación llenó el vacío de la falta de representación precisa del campo externo en un modelo ML, lo que contribuirá al avance de las simulaciones moleculares en química, biología y ciencia de materiales.
Más información: Yaolong Zhang et al, Aprendizaje automático universal para la respuesta de sistemas atomísticos a campos externos, Nature Communications (2023). DOI:10.1038/s41467-023-42148-y
Información de la revista: Comunicaciones sobre la naturaleza
Proporcionado por la Academia China de Ciencias
