机构名称：
¥ 1.0
我们在这项工作中提出了EMLE-GENTENCEP（https://github.com/chemle/emle-engine） - 用于混合机器学习潜力/分子力学（ML/MM）动力学的新机器学习嵌入方案的实施。该软件包是基于一种嵌入方案，该方案使用基于物理的电子密度模型和诱导模型，并具有少数可调参数，这些参数衍生在要嵌入的子系统的真空属性中。该方案完全独立于真空电位，仅需要机器学习子系统原子的位置以及分子力学环境的位置和部分电荷。这些特征允许现有QM/mm软件中使用EMLE引擎。我们证明实施的静电机学习嵌入方案（命名EMLE）在增强的采样分子动力学模拟中是稳定的。通过计算水中丙氨酸二肽的自由能表面，具有两个不同的ML真空电位和三个嵌入模型的ML选项，我们测试了EMLE的性能。与参考DFT/MM表面相比，EMLE嵌入显然优于基于固定部分电荷的MM。与MM嵌入相比，EMLE模型引入的电子密度的配置依赖性以及EMLE模型引入的感应能量的包含导致自由能表面的平均误差的系统降低。通过在实用的ML/MM模拟中启用EMLE嵌入的使用，EMLE-Enline将使能够准确建模系统和过程，这些系统和过程在ML子系统和/或交互环境的电荷分布中具有显着变化。
emle-engine-a-a-flexible-electrostatic-machine-machine-earnning- ...
主要关键词
相关文件推荐
