学习热响应力：一种通过机器学习提升粗粒化模型热力学可迁移性的方法

《The Journal of Physical Chemistry B》：Learning Thermal Response Forces: A Method for Extending the Thermodynamic Transferability of Coarse-Grained Models via Machine-Learning

　　

摘要

机器学习驱动的粗粒化模型是一种极具潜力的工具，它可以通过系统地去除自由度来显著提升分子模拟的效率，同时还能保持与底层细粒化模型的高度一致性。平均力势的粗粒化版本本质上依赖于热力学条件，因此，在某一热力学状态下训练得到的粗粒化力场在另一状态下可能并不准确。在本研究中，我们提出了一种新颖且高效的方法，通过利用熵效应来学习平均力势的热依赖性，从而将这种依赖性融入机器学习驱动的粗粒化力场中。我们展示了如何将这些机制引入粗粒化水模型中，进而大幅提升其在不同温度条件下的适用性，同时也证明了这种适用性有助于在多种温度下获得精确的结构相关数据。此外，我们还展示了所开发的粗粒化模型的适用性如何帮助建立原子级动力学与粗粒化动力学之间的经验关系，以便进行动态重标定。