XiaoMi-AI文件搜索系统
World File Search System力场
以原子为中心的机器学习力场包
近年来，机器学习算法已被广泛用于构建力场，并准确地从头开始方法和经典力领域的效率。在这里，我们开发了一个基于Python的基于Python的机器学习部队（PYAMFF）软件包，以提供一个简单且有效的平台，用于通过用Behler-Parrinello-symmetermetryss构造Nergurnger nergerngerngernger-nergernger-nergernger-nergernger-nergerinsssssshiments实现以原子为中心的神经网络通过实现以原子为中心的神经网络算法。PYAMFF中包含以下三个功能：（1）通过脚本和未来算法的简化扩展，用于快速细纹计算和Python模块的集成FORTRAN模块； （2）纯Fortran的后端与软件接口，包括长时间的动态模拟软件包EON，可以启用分子动态模拟和具有机器学习力字段的自适应动力学模拟和自适应动力学蒙特卡洛模拟； （3）与用于主动学习和基于ML的算法开发的原子模拟环境包的集成。在这里，我们在CPU和内存使用方面演示了PYAMFF的有效并行化，并表明基于Fortran的Pyamff计算器与对称函数的数量和系统大小表现出线性缩放关系。
VASP的机器学会的力场准备分子...
引言Mackinawite（FES）既可以作为地热管道的缩放剂，又是工业应用中的催化剂，具有环境修复的潜力。研究不同的{fe 2+}下的FES形成：{S 2-}比率对于理解其在自然和工程系统中的行为至关重要。但是，该比率对FES成核的影响仍然未知。我们的研究旨在使用具有元动力学的分子动力学模拟（MD）来表征最小的FES簇，以通过第一原理计算和机器学习来开发合适的力场。我们专注于训练并创建精确的机器学习力场（MLFF）。成熟的MLFF使元动力学MD能够构建带电三离子簇（CTIC）的关联的自由能表面（FES），从而揭示了{fe 2+}的影响：{s 2-}比率对成核的影响（图。1）。
使用机器学习力场固体解决方案中的低成本振动自由能
摘要：合金和实心溶液的合理设计依赖于相图的准确计算预测。群集扩展方法已被证明是研究无序晶体的宝贵工具。但是，由于计算成本，振动熵的影响通常被忽略。在这里，我们设计了一种方法，可以通过将机器学习力场（MLFF）拟合到群集扩展结构可用的松弛轨迹中，以低计算成本在集群扩展中包括振动自由能。我们演示了两个（伪）二进制系统的方法，Na 1 -x k x cl和ag 1 -x pd x，为此，准确的声子分散剂和振动自由能来自MLFF。对于两个系统，振动效应的包含导致在实验相图中与可见性差距明显更好地吻合。这种方法可以使振动效应在计算的相图中常规包含，从而更准确地预测了材料混合物的性能和稳定性。
与实验的定量比较揭示了力场对POPC - 胆固醇相互作用的描述中的缺陷
摘要：胆固醇是生物膜中的一个中心构建块，它诱导定向顺序，减慢扩散，使膜僵硬以及驱动结构域的形成。分子动力学（MD）模拟在分子水平解决这些效果方面起着至关重要的作用。然而，最近显而易见的是，不同的MD力场在定量不同的行为上预测了不同的行为。尽管很容易被忽视，但由于磁场迅速发展朝模拟体内条件的复杂膜的模拟迅速发展：相关的多组分仿真必须准确捕获其基本构件之间的相互作用，例如磷脂和胆固醇。在这里，我们定义了针对C-H键顺序参数的二元脂质混合物模拟的定量质量度量，以及来自NMR光谱的侧向扩散系数以及X射线散射的构型因子。基于这些措施，我们对常用的力场描述棕榈酰丙酰磷脂酰胆碱（POPC）和胆固醇的二元混合物的结构和动力学的能力进行系统评估。没有测试的力场清楚地表现出在经过测试的属性和条件上的表现。仍然，SlipID参数在我们的测试中提供了最佳的总体性能，尤其是当评估中包含动态属性时。这项工作中介绍的质量评估指标将尤其是使用自动方法来促进多组分膜的未来力量现场开发和改进。
中央力场的特征：-CT物理
固定点。固定点称为相互作用的“极点”，因此这种中心力可能很有吸引力（即负）或排斥（即阳性），它总是以径向意义为导向。该力的大小仅取决于力从固定点起作用的粒子的距离。让我们假设质量粒子上的力
高压高温神经网络反应力场用于能量
分子动力学反应力场已使众多材料类别的研究成为可能。与电子结构计算相比，这些力场的计算成本低，并且可以模拟数百万个原子。然而，传统力场的准确性受到其功能形式的限制，阻碍了持续改进和完善。因此，我们开发了一种基于神经网络的反应原子间势，用于预测含能材料在极端条件下的机械、热和化学响应。训练集以自动迭代方法扩展，包括各种 CHNO 材料及其在环境和冲击载荷条件下的反应。这种新势在环境和冲击载荷条件下的爆炸性能、分解产物形成和振动光谱等各种特性方面，比目前最先进的力场具有更高的准确性。
用于训练液体水的神经网络力场的量子机械数据集的大小和质量
摘要：分子动力学模拟已在不同的科学领域使用，以研究广泛的物理系统。但是，计算的准确性是基于描述原子相互作用的模型。特别是，从头算分子动力学（AIMD）具有密度功能理论（DFT）的准确性，因此仅限于小型系统和相对较短的模拟时间。在这种情况下，神经网络力场（NNFFS）具有重要作用，因为它们提供了一种规避这些警告的方法。在这项工作中，我们研究了在DFT级别设计的NNFFs，以描述液态水，重点介绍了所考虑的训练数据集的大小和质量。我们表明，与动态数据相比（例如扩散系数）相比，结构属性较少依赖于训练数据集的大小，并且良好的采样（选择训练过程的数据参考）可以以良好的精度导致一个小样本。■引言分子动力学模拟已在不同的科学领域中使用，以研究广泛的物理系统，例如液体的热力学特性以及接口和生物分子的物理化学方面。1-3它的成功依赖于许多因素，例如，分配的功能形式用于描述原子间相互作用和原子体内相互作用，参数化程序（获得潜在的参数）以及所采用的实验性或从头算的数据质量。11，因此，可转移性和准确性是这一研究领域的常见问题。5、7、124、5、7-10大多数经典电位都是物理和/或化学动机的，其中通常认为简单的分析功能形式，例如Lennard-Jones的电位。
用于分子的可极化力场的构建...
两个可极化碎片之间的 Lennard-Jones 相互作用的比例因子 𝑞- 可极化碎片的净电荷 𝛼- 可极化碎片的分子极化率 𝜇̅ 可极化碎片的偶极矩 𝑟 # 0 两个可极化碎片的质量中心之间的平衡距离 𝑇(𝑟) Thole 阻尼函数 𝑎 Thole 阻尼参数 𝑓 ++ (𝑟) Tang-Toennies (TT) 阻尼函数 𝑏 ++ 和 𝑐 ++ Tang-Toennies 阻尼参数 𝑡 时间 𝑑𝑡 时间步长 𝐷 扩散系数 𝑉 模拟盒的体积 𝑃 ,- 𝛼𝛽 平面中的应力 𝑔(𝑟) 径向对分布函数 𝑟 .,0
我们可以检测到弱重力场的量子性质吗？
图2 PSEN1 A246E神经元中的RNA-SEQ鉴定了疾病内型。（a）PSEN1 A246E IPSC衍生的神经元相对于NDC的差异表达基因（DEG）的RNA-seq火山图，具有错误的发现率（FDR）调整后的P值<.05。（B-C）通过（b）ISMARA基序分析（基于Z得分，TF-GENE PEARSON相关性和平均基因目标表达变化）和（C）Dorothea TF-GENE目标分析（基于标准化的富集量），通过（c）基因目标表达变化）（基于Z得分，平均基因目标表达变化），通过（B）ISMARA基序分析（基于Z得分，TF-GENE PEARSON相关性）预测具有显着活性变化的转录因子（TFS）。ISMARA平均靶基因表达变化由UP（相对于NDC的增加）或向下（相对于NDC）箭头指示。（D-E）使用（d）CODODE-CHEA共识TF数据库或（e）通过FGSEA多层次富集测试（e）定义的神经元相关TF-GENE目标列表的PSEN1 A246E神经元中排名的TF-TARGET富集。（F-G）使用（F）标志性数据库和（G）基因本体生物学过程（GOBP）对PSEN1 A246E神经元基因表达签名进行排名的富集分析。
中心力场作用下的粒子运动 - CT 物理学
固定点。该固定点称为相互作用的“极点”，因此这种中心力可能是吸引的（即负的）或排斥的（即正的），它总是指向径向。这种力的大小完全取决于力作用的粒子与固定点的距离。让我们假设作用于质量粒子上的力