Frammentazione Molecolare con Rete Neurale Grafo-Teoretica per Dinamica Molecolare Ab Initio con Accuratezza Coupled-Cluster
Un nuovo framework di machine learning integra la frammentazione molecolare grafo-teoretica con la previsione diretta delle forze per consentire la dinamica molecolare ab initio (AIMD) con accuratezza coupled-cluster per sistemi flussionali. L'approccio bypassa la differenziazione automatica sulle superfici di energia apprese modellando direttamente i vettori di forza nucleare, utilizzando descrittori covarianti proiettati sugli assi principali di inerzia fissati al frammento per garantire invarianza rotazionale, traslazionale e permutazionale. Questo protocollo di addestramento vettoriale riduce i parametri addestrabili di oltre un ordine di grandezza, raggiungendo un'elevata efficienza parametrica. Il metodo affronta il collo di bottiglia computazionale dei metodi di struttura elettronica correlati, consentendo simulazioni AIMD accurate di sistemi chimici complessi.
Fatti principali
- Framework di frammentazione molecolare grafo-teoretica integrato con machine learning
- Modella direttamente le forze nucleari post-Hartree-Fock con accuratezza coupled-cluster
- Bypassa le limitazioni della differenziazione automatica sulle superfici di energia apprese
- Proietta i vettori di forza sugli assi principali di inerzia fissati al frammento per descrittori covarianti
- Preserva l'invarianza rotazionale, traslazionale e permutazionale
- Protocollo di addestramento vettoriale riduce i parametri addestrabili di oltre un ordine di grandezza
- Consente AIMD con accuratezza coupled-cluster per sistemi flussionali
- Elevata efficienza parametrica raggiunta
Entità
—