基于元素重标记策略提升OLED体系高维神经网络势精度

《Digital Discovery》:Enhancing high-dimensional neural network potential accuracy in OLED systems via element relabeling

【字体: 大 中 小 】 时间:2026年04月08日 来源:Digital Discovery 5.6

编辑推荐:

  精确的原子尺度模拟对理解复杂凝聚相环境中的有机发光二极管(OLED)材料至关重要。然而,从头算(ab initio)方法计算成本高昂,经典力场往往缺乏足够精度表征复杂分子行为。研究人员提出了一种针对复杂OLED体系优化的高维神经网络势(HDNNP)框架。原子尺

  
精确的原子尺度模拟对理解复杂凝聚相环境中的有机发光二极管(OLED)材料至关重要。然而,从头算(ab initio)方法计算成本高昂,经典力场往往缺乏足够精度表征复杂分子行为。研究人员提出了一种针对复杂OLED体系优化的高维神经网络势(HDNNP)框架。原子尺度分析表明,以分子内邻近原子密度衡量的局域环境是力预测异质性的关键因素。为降低由分子本征复杂性引发的力预测误差,研究人员引入了一种概念简洁却高效的策略:将力误差较大的原子重标记为不同的伪元素。通过提供更适配特定环境的局域描述符,这种靶向优化提升了力和总能量的预测精度,进而提高了关键模拟可观测量复现的保真度。为验证元素重标记策略的迁移性,研究人员将其应用于化学结构多样的基准体系——阿司匹林和双壁碳纳米管。该方法在保持传统HDNNP计算效率的同时,大幅缩小了与前沿图神经网络模型的精度差距,可支持大规模模拟,例如精准预测玻璃化转变温度。
本研究发表于《Digital Discovery》,聚焦OLED材料原子尺度模拟中精度与效率难以兼顾的核心难题。当前,经典分子动力学(MD)采用的通用有机力场(如全原子优化液体模拟势OPLS-AA)难以精准捕捉OLED特有的相互作用与电子特性,即便经过严格参数化,其精度仍受限于键、角、二面角等预设函数形式的固有缺陷;而基于第一性原理的从头算分子动力学(AIMD)虽能准确描述分子复杂行为,但极高的计算成本使其仅能适用于小体系短时长模拟,无法支撑玻璃化转变温度等需长时大样本的性质预测。针对上述瓶颈,研究人员开发了面向OLED体系的优化高维神经网络势(HDNNP)框架,通过原子级误差分析与靶向元素重标记策略,突破了传统局域描述符模型对同元素原子采用统一描述的局限,在保持计算效率的同时显著提升了预测精度。
关键技术方法包括:采用副本交换分子动力学(REMD)结合最远点采样(FPS)算法构建覆盖宽温区与密度的构象空间数据集,以密度泛函理论(DFT)为基础的短时AIMD轨迹扩充数据多样性;采用Behler-Parrinello原子中心对称函数(ACSF)作为局域结构描述符,通过n2p2软件包训练HDNNP模型;基于原子力均方根误差(RMSE)识别高误差位点,实施伪元素重标记策略优化描述符特异性;通过径向分布函数(RDF)、平均力势(PMF)及玻璃化转变温度(Tg)预测验证模型性能。
研究结果如下:
力预测误差的原子层级评估:对OLED典型分子浴铜灵(BCP)的分析显示,碳原子力RMSE分布跨度达99–160 meV ??1,空间位阻拥挤区域(如多芳环核心)的原子误差显著高于末端稀疏环境原子,证实同元素原子的局域环境异质性会导致HDNNP预测偏差。
OLED分子的局域结构与误差关联:皮尔逊相关性分析表明,3 ?截断半径内的分子内邻近原子密度与力误差呈最强正相关,共价相互作用主导的局域复杂度是误差的主要来源,这为伪元素筛选提供了量化依据。
元素重标记捕获HDNNP结构复杂性:将BCP分子中10个力误差最高的碳原子重标记为伪元素X,为其分配独立描述符与原子神经网络,避免了同元素原子共享单一表示的局限性,同时通过剔除变异度低于0.01的对称函数控制了描述符维度的组合增长。
数据驱动的元素重标记提升HDNNP精度:重标记后,碳原子平均力RMSE从129.5降至98.0 meV ??1,总能量RMSE从419.5降至293.6 meV,且未重标记的氢、氮原子误差同步降低,证明该策略可通过相互作用通道传递精度增益,优于基于杂化态的传统启发式分类。
超越力与能量的验证:RDF与PMF对比:60 ps轨迹模拟显示,重标记模型的结构(RDF)与热力学(PMF)性质与AIMD参考值的偏差显著小于基线模型,证实精度提升可有效转化为模拟可观测量保真度的提高。
在其他体系的应用:在阿司匹林(MD17数据集)与双壁碳纳米管(MD22数据集)中,该策略分别将能量/力平均绝对误差(MAE)降低46%与32%/31%,阿司匹林体系的能量精度已接近八种等变图神经网络(GNN)的中位水平,验证了方法的普适性。
局域描述符与图基模型的权衡:传统HDNNP凭借ACSF实现近线性标度与高效并行,无消息传递与等变张量运算开销,重标记策略在保持该效率优势的同时,弥补了与图基模型(如DimeNet、MACE)的精度差距,仅带来可控的描述符维度增长。
利用局域描述符效率开展大规模分子模拟:采用重标记HDNNP对128个BCP分子(6144原子)开展2.5 ns NPT平衡与控温冷却模拟,预测的Tg为116.6±12.7 °C,更接近实验值89 °C,且模拟所得体相密度较经典MD高0.02–0.25 g cm?3,体现了DFT级精度对分子堆积行为的更准确描述。
讨论与结论部分指出,该研究提出的元素重标记策略是一种靶向优化手段,通过为复杂局域环境分配特异性描述符,有效解决了传统HDNNP对多样环境适应性不足的问题,在保持局域描述符模型计算效率的同时,实现了与前沿图基机器学习原子间势(MLIP)相当的精度,可支撑OLED等复杂软物质体系的大尺度、长时程模拟。该策略的局限性在于ACSF描述符的组合增长特性,因此更适用于仅需少量环境类别单独处理的场景。研究数据与代码已开源至Zenodo(DOI: 10.5281/zenodo.19078768),为后续相关研究提供了可复现的基础资源。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号