Abstract:
Molecular dynamics simulation has become an important tool for the research and development of chemical engineering processes and technologies. However, the insufficient accuracy of classical molecular dynamics simulations and the high computational cost of
ab initio
molecular dynamics simulations have restricted the widespread applications of molecular simulation technology. The emergence and development of machine learning technology has led to the rapid development of molecular simulation based on machine learning potentials, which offers an efficient way to achieve a greatly improved accuracy at a lower computing loading, thereby bolstering the potential of molecular simulations in practical applications. This review started by an overview of the development of machine learning potentials with emphasis on the construction methods and principles of machine learning potential models. The techniques associated with machine learning potentials including dataset construction, model training, model transfer and application were detailed. The strengths and weaknesses of different types of machine learning models were also discussed, followed by the prospects for the development and applications machine learning potentials.
Key words:
machine learning potentials,
molecular simulation,
computational chemistry,
thermodynamics
|
机器学习方法
|
MLPs模型
|
模型特点
|
应用体系
|
|
神经网络
|
DPMD
[
13
,
64
]
|
二代NNPs
|
水的相图预测
[
65
]
，尿素分解反应
[
33
]
，甲烷燃烧反应
[
66
]
|
|
ANI
[
67
-
68
]
|
二代NNPs
|
ANI-1x数据库
[
69
]
|
|
TensorMol
[
70
]
|
三代NNPs
|
水分子簇
[
70
]
，多肽(PDB: 2MZX)
[
70
]
|
|
n2p2
[
12
]
|
二代NNPs
|
体相水
[
71
]
，单层纳米限域水相图
[
72
]
|
|
RuNNer
[
73
-
74
]
|
四代NNPs
|
水在ZnO表面的解离
[
75
]
，Au
2
-MgO
[
76
]
，Na
9
Cl
[
76
]
|
|
EANN
[
77
]
|
二代NNPs
|
有机小分子与Cu、Ge等周期性体系
[
77
]
|
|
DTNN
[
78
]
|
消息传递机制
|
GDB-7、GDB-9
[
79
]
|
|
SchNet
[
14
-
15
,
80
-
81
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
，ISO17
[
78
,
81
,
83
]
|
|
DimeNet
[
18
]
|
消息传递机制
|
QM9
[
82
-
83
]
|
|
GemNet
[
19
]
|
消息传递机制
|
COLL
[
84
]
，MD17
[
20
]
，OC20
[
85
]
|
|
NequIP
[
16
]
|
消息传递机制
|
MD17
[
20
]
，Li
4
P
2
O
7
[
16
]
，甲酸在Cu表面的分解
[
16
]
|
|
Allegro
[
86
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
，Li
3
PO
4
[
86
]
|
|
MACE
[
87
]
|
消息传递机制
|
MD17
[
20
]
，3BPA
[
88
]
|
|
ViSNet
[
56
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
等
|
|
HIP-NN
[
89
]
|
二代NNPs
|
QM9
[
82
-
83
]
，MD17
[
20
]
|
|
SpookyNet
[
90
]
|
四代NNPs
|
C
10
H
2
/ C
10
H
[
90
]
，Au
2
-MgO
[
90
]
，MD17
[
20
]
，QM7
|
|
PhysNet
[
49
]
|
三代NNPs
|
QM9
[
82
-
83
]
，MD17
[
20
]
，ISO17，S
N
2反应，Ala
10
|
|
ForceNet
[
17
]
|
消息传递机制
|
OC20
[
85
]
|
|
核岭回归
|
GDML
[
21
]
|
核方法
|
MD17
[
20
]
|
|
sGDML
[
20
,
22
-
23
]
|
核方法
|
有机小分子
[
20
]
|
|
高斯过程回归
|
GAP
[
24
-
25
]
|
核方法
|
单质体系
[
24
]
，无定形碳材料
[
30
]
|
表1
MLPs模型汇总、模型特点及各模型的典型应用案例
Table 1
Summary of MLPs models， model characteristics， and typical cases of each model
|
机器学习方法
|
MLPs模型
|
模型特点
|
应用体系
|
|
神经网络
|
DPMD
[
13
,
64
]
|
二代NNPs
|
水的相图预测
[
65
]
，尿素分解反应
[
33
]
，甲烷燃烧反应
[
66
]
|
|
ANI
[
67
-
68
]
|
二代NNPs
|
ANI-1x数据库
[
69
]
|
|
TensorMol
[
70
]
|
三代NNPs
|
水分子簇
[
70
]
，多肽(PDB: 2MZX)
[
70
]
|
|
n2p2
[
12
]
|
二代NNPs
|
体相水
[
71
]
，单层纳米限域水相图
[
72
]
|
|
RuNNer
[
73
-
74
]
|
四代NNPs
|
水在ZnO表面的解离
[
75
]
，Au
2
-MgO
[
76
]
，Na
9
Cl
[
76
]
|
|
EANN
[
77
]
|
二代NNPs
|
有机小分子与Cu、Ge等周期性体系
[
77
]
|
|
DTNN
[
78
]
|
消息传递机制
|
GDB-7、GDB-9
[
79
]
|
|
SchNet
[
14
-
15
,
80
-
81
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
，ISO17
[
78
,
81
,
83
]
|
|
DimeNet
[
18
]
|
消息传递机制
|
QM9
[
82
-
83
]
|
|
GemNet
[
19
]
|
消息传递机制
|
COLL
[
84
]
，MD17
[
20
]
，OC20
[
85
]
|
|
NequIP
[
16
]
|
消息传递机制
|
MD17
[
20
]
，Li
4
P
2
O
7
[
16
]
，甲酸在Cu表面的分解
[
16
]
|
|
Allegro
[
86
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
，Li
3
PO
4
[
86
]
|
|
MACE
[
87
]
|
消息传递机制
|
MD17
[
20
]
，3BPA
[
88
]
|
|
ViSNet
[
56
]
|
消息传递机制
|
QM9
[
82
-
83
]
，MD17
[
20
]
等
|
|
HIP-NN
[
89
]
|
二代NNPs
|
QM9
[
82
-
83
]
，MD17
[
20
]
|
|
SpookyNet
[
90
]
|
四代NNPs
|
C
10
H
2
/ C
10
H
[
90
]
，Au
2
-MgO
[
90
]
，MD17
[
20
]
，QM7
|
|
PhysNet
[
49
]
|
三代NNPs
|
QM9
[
82
-
83
]
，MD17
[
20
]
，ISO17，S
N
2反应，Ala
10
|
|
ForceNet
[
17
]
|
消息传递机制
|
OC20
[
85
]
|
|
核岭回归
|
GDML
[
21
]
|
核方法
|
MD17
[
20
]
|
|
sGDML
[
20
,
22
-
23
]
|
核方法
|
有机小分子
[
20
]
|
|
高斯过程回归
|
GAP
[
24
-
25
]
|
核方法
|
单质体系
[
24
]
，无定形碳材料
[
30
]
|
周康, 王建新, 于海, 魏朝良, 范丰奇, 车昕昊, 张磊.
基于分子动力学模拟的矿物基础油泡沫破裂性能研究
[J]. 化工学报, 2024, 75(4): 1668-1678.
张政, 汪妩琼, 张雅静, 王康军, 吉远辉.
理论计算在药物制剂设计中的研究进展
[J]. 化工学报, 2024, 75(4): 1429-1438.
陈好奇, 史博会, 彭琪, 康琦, 宋尚飞, 姚海元, 陈海宏, 吴海浩, 宫敬.
基于稳定性分析的含酸/醇烃水体系相平衡计算
[J]. 化工学报, 2024, 75(3): 789-800.
周辛梓, 李增辉, 孟现阳, 吴江涛.
低温下高纯空气黏度实验研究
[J]. 化工学报, 2024, 75(3): 782-788.
吴凡, 彭旭东, 江锦波, 孟祥铠, 梁杨杨.
分子动力学模拟预测天然气密度和黏度的可行性研究
[J]. 化工学报, 2024, 75(2): 450-462.
杨欣, 王文, 徐凯, 马凡华.
高压氢气加注过程中温度特征仿真分析
[J]. 化工学报, 2023, 74(S1): 280-286.
常明慧, 王林, 苑佳佳, 曹艺飞.
盐溶液蓄能型热泵循环特性研究
[J]. 化工学报, 2023, 74(S1): 329-337.
张化福, 童莉葛, 张振涛, 杨俊玲, 王立, 张俊浩.
机械蒸汽压缩蒸发技术研究现状与发展趋势
[J]. 化工学报, 2023, 74(S1): 8-24.
宋明昊, 赵霏, 刘淑晴, 李国选, 杨声, 雷志刚.
离子液体脱除模拟油中挥发酚的多尺度模拟与研究
[J]. 化工学报, 2023, 74(9): 3654-3664.
胡建波, 刘洪超, 胡齐, 黄美英, 宋先雨, 赵双良.
有机笼跨细胞膜易位行为的分子动力学模拟研究
[J]. 化工学报, 2023, 74(9): 3756-3765.
赵佳佳, 田世祥, 李鹏, 谢洪高.
SiO
2
-H
2
O纳米流体强化煤尘润湿性的微观机理研究
[J]. 化工学报, 2023, 74(9): 3931-3945.
张曼铮, 肖猛, 闫沛伟, 苗政, 徐进良, 纪献兵.
危废焚烧处理耦合有机朗肯循环系统工质筛选与热力学优化
[J]. 化工学报, 2023, 74(8): 3502-3512.
汪林正, 陆俞冰, 张睿智, 罗永浩.
基于分子动力学模拟的VOCs热氧化特性分析
[J]. 化工学报, 2023, 74(8): 3242-3255.
陈吉, 洪泽, 雷昭, 凌强, 赵志刚, 彭陈辉, 崔平.
基于分子动力学的焦炭溶损反应及其机理研究
[J]. 化工学报, 2023, 74(7): 2935-2946.
何晓崐, 刘锐, 薛园, 左然.
MOCVD生长AlN单晶薄膜的气相和表面化学反应综述
[J]. 化工学报, 2023, 74(7): 2800-2813.
北京市东城区青年湖南街13号（100011）
电话：010-64519489，010-64519362，010-64519485，010-64519490，010-64519451
E-Mail：
[email protected]
京ICP备12046843号-7
京公网安备 11010102001995号
本系统由
北京玛格泰克科技发展有限公司
设计开发
