高维神经网络势能中的长程相互作用：针对小有机分子的基准研究

《The Journal of Physical Chemistry B》：Long-Range Interactions in High-Dimensional Neural Network Potentials: A Benchmark Study for Small Organic Molecules

本研究提出CombineNet模型，通过整合基于QEq的静电校正和MLXDM的色散校正，有效提升了长程分子间作用力的预测精度。在DES370K测试集上，模型达到0.59 kcal/mol的MAE和3.38 meV/atom的RMSE，显著优于传统方法。实验表明，MBIS电荷方法比Hirshfeld电荷更准确，且训练集需覆盖解离极限与过渡区。

　　

许多机器学习势（MLPs）依赖于根据原子在其局部环境中的位置来表示总能量，通常使用截止半径或有限数量的消息传递层来实现。这限制了它们准确模拟长程分子间相互作用的能力。可以通过将长程静电和色散相互作用明确纳入MLP框架来克服这一限制。在本文中，我们研究了在高维神经网络势（HDNNPs）中加入静电和色散修正对预测小有机分子间气相分子相互作用的影响。我们采用基于机器学习的电荷平衡（QEq）方案来模拟静电作用，并使用机器学习交换-空穴偶极矩（MLXDM）模型来解释色散效应。所开发的CombineNet模型将这些长程项与基于密度泛函理论（DFT）数据训练得到的短程原子能量相结合，在DES370K测试集上与CCSD(T)/CBS基准方法相比，获得了0.59 kcal/mol的平均绝对误差（MAE）和3.38 meV/原子的均方根误差（RMSE）。值得注意的是，基于Hirshfeld电荷计算的静电相互作用往往会低估长程效应，而最小基组迭代Stockholder（MBIS）电荷则能提供更准确的相互作用趋势。为了可靠地模拟分子二聚体，训练集必须同时包含解离极限和接近截止半径的过渡区域。