Percées dans les représentations de réseaux de neurones atomistiques pour les simulations de dynamique chimique

Une équipe dirigée par le professeur Jiang Bin de l’Université des sciences et technologies de Chine (USTC) a réalisé une série de percées dans les simulations de dynamique chimique des systèmes moléculaires, en phase condensée et interfaciaux en appliquant un réseau de neurones atomistiques (AtNN). Une critique de leurs travaux a été publiée dans WIREs Sciences moléculaires computationnelles le 16 novembre.

AtNN a été largement utilisé dans la recherche en chimie physique, en particulier dans les simulations de dynamique chimique. En décomposant les propriétés du système en contribution de chaque atome, AtNN peut satisfaire différentes symétries et périodicités de phases moléculaires condensées et de systèmes interfaciaux, réalisant ainsi des simulations de dynamique moléculaire précises et efficaces de systèmes complexes.

L’équipe du professeur Jiang Bin a publié une série d’articles sur l’utilisation d’AtNN pour prédire l’énergie potentielle de surface et les propriétés chimiques. Sur la base de leurs recherches précédentes, cette revue a présenté les concepts de base et les idées physiques des méthodes AtNN et a discuté de diverses stratégies pour améliorer l’efficacité de la description de l’environnement atomique dans différentes méthodes AtNN.

Le réseau de neurones atomiques embarqués (EANN) proposé par l’équipe du professeur Jiang Bin utilise le carré de la combinaison linéaire des orbitales de type gaussien (GTO) pour calculer la corrélation à trois corps, améliorant considérablement l’efficacité. En termes de description, EANN combine plusieurs fonctions radiales pour améliorer la corrélation à deux corps.

De plus, en utilisant un réseau de passage de messages pour incorporer de manière récursive des interactions non locales en dehors de l’environnement atomique, la précision du modèle est considérablement améliorée par rapport à AtNN, qui est entièrement basé sur des descripteurs multi-corps locaux.

En outre, l’article résume également les travaux récents sur la généralisation des modèles scalaires AtNN pour représenter des quantités tensorielles. Ces travaux se concentrent principalement sur la tensorisation de la sortie invariante de permutation de l’AtNN pour satisfaire la symétrie invariante de rotation des tenseurs – par exemple, en utilisant des coordonnées et des gradients pour introduire des propriétés directionnelles et construire des tenseurs de premier ou de second ordre pour représenter réponse et transition propriétés telles que le moment dipolaire et la polarisabilité. De grands progrès ont également été réalisés dans la description de tenseurs plus complexes comme l’hamiltonien électronique avec AtNN.

L’ensemble de données de formation est crucial pour la construction du modèle d’un système spécifique dans AtNN. Les algorithmes d’apprentissage actif comme la recherche d’erreurs développés par l’équipe du professeur Jiang Bin, combinés aux trajectoires de dynamique moléculaire, sont capables de rechercher des zones avec une grande incertitude dans le modèle et d’échantillonner de nouvelles configurations à ajouter à l’ensemble de formation, ce qui peut améliorer la formation du modèle.

Un autre défi dans l’échantillonnage des données est de considérer efficacement l’effet de la substitution atomique sur la similarité de configuration. L’efficacité d’AtNN dans la résolution des problèmes ci-dessus a été prouvée par plusieurs exemples de son application dans des systèmes de surface en phase gazeuse.

À l’avenir, l’équipe prévoit de généraliser les méthodes AtNN pour exprimer les interactions à longue portée, les propriétés chimiques sous des champs externes et résoudre les équations de Schrödinger des électrons et des noyaux.