每日推荐 | AI与分子动力学最新研究进展

高阶弹性理论能够在纳米尺度上模拟力学。然而，这些理论具有长度尺度参数，需要通过实验或分子动力学（MD）模拟进行评估。在目前的文献中，这些长度尺度参数被假设为所选材料的常数。然而，事实并非如此，正如本文通过一组对各种边值问题（BVP）的高通量MD模拟所示。对于碳和氮化硼纳米管，发现修正应变梯度理论中的长度尺度参数随着绝对尺寸、BVP类型和变形水平而变化。这种复杂的依赖关系使得长度尺度参数𝑙0的预测具有挑战性。为了解决这个问题，这里开发了一个基于监督机器学习（ML）的框架。在这个新框架中，MD、连续体公式和ML被串联使用，以预测给定材料、尺寸和边界条件的长度尺度参数。这是一个三步走的过程。首先，针对不同的手性、长度和边界条件进行了多次MD模拟。然后，使用连续体公式中的这些MD输出找到𝑙0的值。最后，使用基于ML的回归模型来捕捉𝑙0的可变性，并随后预测其在任何手性、长度和边界条件下的值。这里使用了三种回归模型——高斯过程回归、支持向量机和神经网络——来进行预测。这种预测工具消除了对昂贵的MD模拟进行进一步连续尺度分析的需要。在更广泛的背景下，这种新颖的三步框架为将非经典连续体理论应用于纳米尺度力学问题打开了一扇准确而廉价的大门。精度由MD模拟决定，而计算成本的降低是通过机器学习实现的。

 

 

人工智能（AI）将聚合物设计范式从传统的试错方法推广到数据驱动的风格。实现本征聚合物的高导热性（TC）迫在眉睫，因为它们在微电子器件和集成电路等许多工业应用的热管理中具有重要意义。在这项工作中，我们提出了一种强大的人工智能辅助工作流程，用于高TC聚合物的逆向设计。通过使用1144种具有已知计算TC的聚合物，我们构建了一个用于TC预测的替代深度神经网络模型，并提取了一个包含32个序列的聚合物单元库。采用统一非支配排序遗传算法III（U-NSGA-III）和q噪声期望超体积改进（qNEHVI）这两种最先进的多目标优化算法，用于具有高TC和合成可能性的序列有序聚合物设计。对于三嵌段聚合物设计，结果表明qNHEVI能够在帕累托前沿探索多种最佳聚合物，但准蒙特卡洛抽样的不确定性使试验成本高昂。U-NSGA-III的性能受到初始随机结构的影响，通常会陷入局部最优解，但需要更少的尝试和更低的成本。进行了20次平行的U-NSGA-III运行，以设计具有高TC的五嵌段聚合物，1921种生成的聚合物中有一半达到了目标（TC>0.4 W m−1K−1和SA<3.0）。最终，我们通过分子动力学模拟检查了50种有前景的聚合物的TC，并揭示了微观结构和TC之间的内在联系。我们开发的聚合物人工智能辅助逆向设计方法灵活且通用，可以扩展到具有其他目标性能的聚合物的设计。

 

 

 

 

分子动力学（MD）模拟是一种关键的计算化学技术，它提供了对所研究系统中潜在原子级过程的动态洞察。这些见解不仅提高了我们对分子世界的理解，而且有助于设计实验和有针对性的干预措施。目前，MD存在几个局限性，其中最重要的是：采样不足、原子模型精度不足，以及对获得的轨迹进行适当分析和解释的挑战。尽管已经做出了许多努力来解决这些局限性，但仍然需要更有效的解决方案。人工智能，特别是机器学习（ML）的最新发展为应对MD的挑战提供了令人兴奋的机会。在这篇综述中，我们的目的是让读者熟悉MD的基础知识，同时强调其局限性。主要重点是探索深度学习与MD模拟的集成。机器学习所取得的进步被系统地列出，包括基于机器学习的测力仪的开发、改进信息空间采样的技术以及轨迹分析的创新方法。此外，还讨论了与机器学习和人工智能集成相关的挑战和影响。虽然ML-MD融合的潜力已经明确，但还需要进一步的应用来证实其优于传统方法。对机器学习开辟的MD新视角的全面概述，是对MD发展激动人心阶段的温和介绍。