L'équipe de recherche du professeur Jiang Bin de l'Université des sciences et technologies de Chine (USTC) a développé un modèle universel de réseau neuronal atomique récursif intégré induit par champ (FIREANN), qui peut simuler avec précision les interactions système-champ avec une grande efficacité. Leurs recherches ont été publiées dans Nature Communications. le 12 octobre.
La simulation atomique joue un rôle crucial dans la compréhension des spectres et de la dynamique de systèmes chimiques, biologiques et matériels complexes au niveau microscopique. La clé des simulations atomiques est de trouver la représentation précise des surfaces d'énergie potentielle (PES) de grande dimension.
Ces dernières années, l’utilisation de modèles atomistiques d’apprentissage automatique (ML) pour représenter avec précision les PES est devenue une pratique courante. Cependant, la plupart des modèles ML ne décrivent que des systèmes isolés et ne peuvent pas capturer les interactions entre les champs externes et les systèmes, qui peuvent modifier la structure chimique et contrôler la transition de phase via une polarisation électronique ou de spin induite par le champ. Un nouveau modèle de ML prenant en compte les champs externes est nécessaire de toute urgence.
Pour résoudre ce problème, l'équipe de recherche du professeur Jiang a proposé une approche « tout-en-un ». L’équipe a d’abord traité le champ externe comme des atomes virtuels et a utilisé les densités atomiques intégrées (EAD) comme descripteurs de l’environnement atomique. L'EAD induit par le champ (FI-EAD) est dérivé de la combinaison linéaire des orbitales des atomes dépendantes du champ et basées sur les coordonnées, qui capture la nature de l'interaction entre le champ externe et le système, conduisant au développement de Modèle FIREANN.
Ce modèle corrèle avec précision diverses propriétés de réponse du système, telles que le moment dipolaire et la polarisabilité, avec les changements d'énergie potentiels qui dépendent des champs externes, fournissant ainsi un outil précis et efficace pour la spectroscopie et les simulations dynamiques de systèmes complexes sous des champs externes. P>
L'équipe a vérifié la capacité du modèle FIREANN en effectuant des simulations dynamiques du N-méthylacétamide et de l'eau liquide sous un fort champ électrique externe, démontrant toutes deux une grande précision et efficacité. Il convient de mentionner que pour les systèmes périodiques, le modèle FIREANN peut surmonter le problème inhérent aux valeurs multiples de la polarisation en s'entraînant uniquement avec des données sur les forces atomiques.
Cette recherche a comblé le manque de représentation précise du champ externe dans un modèle ML, ce qui contribuera à l'avancement des simulations moléculaires en chimie, biologie et science des matériaux.
Plus d'informations : Yaolong Zhang et al, Apprentissage automatique universel pour la réponse des systèmes atomistiques aux champs externes, Nature Communications (2023). DOI :10.1038/s41467-023-42148-y
Informations sur le journal : Communications naturelles
Fourni par l'Académie chinoise des sciences
