USTC의 Jiang Bin 연구 그룹은 외부 필드에 대한 원자의 반응을 분석하기 위해 FIREANN을 개발했습니다.
내용을 한눈에 보기:화학 시스템과 외부장 사이의 상호작용을 분석하기 위해 전통적인 방법을 사용하는 것은 효율성이 낮고 비용이 많이 든다는 단점이 있습니다. 중국 과학기술대학의 장빈 연구 그룹은 원자 환경을 설명할 때 필드 관련 특징을 도입하고, 머신 러닝을 사용하여 시스템의 필드 상관관계를 잘 설명하는 FIREANN을 개발했습니다.
키워드:화학물리학 분자동역학 외부장
저자 | 쉐차이
편집자 | 리바오주
화학 시스템과 외부장 간의 상호작용은 물리적, 화학적, 생물학적 과정에서 매우 중요합니다.. 외부장, 주로 전기장은 원자, 분자 및 응집 물질과 상호 작용하여 전자 또는 스핀 편극을 일으키거나 시스템의 공간적 방향을 변경할 수 있습니다.
밀도 함수 이론(DFT)과 이니티오 분자 동역학(AIMD)은 인가된 전기장 하에서 복잡한 주기적 및 비주기적 시스템을 연구하는 데 사용되었습니다. 하지만,AIMD 애플리케이션은 요구 사항이 많습니다.특히 핵 양자 효과(NQE)가 중요한 시스템에서는 사용하기가 어렵습니다.
경험적 힘장 분석은 매우 효율적이지만 정확도가 제한적이며, 정확한 힘장 의존 양자 산란 계산은 매우 작은 시스템에만 적용할 수 있습니다..
동시에,머신 러닝(ML)은 고차원 화학 문제를 해결하는 데 놀라운 성과를 달성했습니다.. 그러나 대부분의 머신 러닝 모델은 전기장에 대한 시스템의 반응과 잠재 에너지를 분리하고, 시스템의 전기장 상관관계를 무시합니다.
이를 위해,중국 과학기술대학의 장빈(Jiang Bin) 연구팀은 원자 환경 설명에 필드 관련 특징을 도입하고 필드 유도 재귀 임베딩 원자 신경망(Field-Induced Recursive Embedding Atomic Neural Network, FIREANN)을 개발했습니다.. FIREANN은 외부 자기장 강도와 방향이 변할 때 시스템 에너지의 변화 추세를 정확하게 설명할 수 있을 뿐만 아니라, 모든 차수의 시스템 응답을 예측할 수도 있습니다. 이 결과는 "Nature Communication"에 게재되었습니다.
이 결과는 Nature Communications에 게재되었습니다.
논문 링크:
https://www.nature.com/articles/s41467-023-42148-y
FIREANN 모델 링크:
https://github.com/zhangylch/FIREANN
공식 계정을 팔로우하고 "interaction"에 답글을 남겨 논문 전체 PDF를 받아보세요.
FIREANN:REANN + 의사 원자장 벡터
FIREANN의 기반은 REANN 모델로, 내장된 원자 밀도(EAD)를 통해 원자 환경을 설명합니다.외부 자기장이 가해지면 전자 밀도가 재분배되고 시스템의 회전 불변성이 파괴됩니다.. 시스템과 외부 전기장 사이의 상호작용은 전기장의 강도와 방향에 의해 영향을 받습니다.
FIREANN의 건축
FIREANN은 실제 원자의 행동을 시뮬레이션하는 의사 원자장 벡터를 각 원자에 할당합니다.그리고 이 둘을 결합하여 필드에 따라 달라지는 내장 원자 밀도를 얻고, 이를 신경망의 입력으로 사용하여 최종적으로 원자간력, 쌍극자 모멘트, 분극률과 같은 물리량을 출력합니다.
각 원자의 의사 원자장 벡터는 다음과 같이 표현될 수 있습니다.
그 다음에,필드 의존 오비탈과 가우스 오비탈(GTO)을 필드 유도 EAD(FI-EAD) 벡터로 결합:
여기서, 각 원자가 받는 외부장은 원자에 대한 의사 원자의 위치 벡터로 표현됩니다. FI-EAD는 원자 간 거리와 둘러싸인 각도를 기준으로 다시 작성될 수 있습니다.
실험적 검증
장난감 모델: 물 분자의 정확한 예측 및 외삽
연구진은 먼저 물 분자를 장난감 시스템으로 사용하여 시스템-외부 필드 상호 작용에 대한 FIREANN의 예측을 검증했습니다.. yz 평면에 물 분자가 있고 x 방향으로 0.1 V/Å 세기의 전기장이 있습니다.
외부장과 분자 평면은 항상 직교하므로 분자의 위치 에너지는 변하지 않습니다. FIREANN은 이 결과를 정확하게 예측했습니다.
동시에,FIREANN은 분자가 y축을 따라 회전할 때 쌍극자-전기장 상호 작용을 정확하게 예측합니다..
FIREANN은 yz 표면의 물 분자에 대한 외부 전기장의 영향에 대한 예측을 수행했습니다.
a: 물 분자는 x축을 따라 회전합니다.
b: y축을 따라 물 분자의 회전
c: 전기장 강도가 변할 때 DFT, FIREANN 및 FieldSchNet의 예측 결과.
FIREANN은 또한 강력한 외삽 기능을 가지고 있습니다.단 하나의 훈련 데이터만을 사용하여 전기장 강도가 -0.2~0.2 V/Å일 때 분자 위치 에너지의 변화를 추론할 수 있었습니다. 이는 기존 FieldSchNet 모델에서는 할 수 없는 일입니다.
NMA:IR 스펙트럼의 정확한 예측
FIREANN의 전형적인 특징은 다음과 같습니다.외부장의 존재 여부에 따른 화학 시스템의 에너지 및 반응 특성을 한 단계 예측할 수 있습니다..
연구진은 N-메틸아세트아미드(NMA)에 대한 테스트를 실시했습니다. 외부 전기장이 0.0에서 0.4 V/Å로 변할 때, FIREANN은 NMA 분자의 에너지, 쌍극자 모멘트, 분극성을 효과적으로 예측할 수 있습니다.제곱 평균 오차(RMSE)는 각각 0.0053eV, 0.028Debye, 0.51au입니다. .
NMA 에너지(a), 쌍극자 모멘트(b) 및 분극도(c)에 대한 FIREANN 및 DFT 예측의 상관 관계 플롯
FIREANN은 또한 해당 분야 내의 분자 스펙트럼에 대한 예측을 합니다. 전기장 세기를 0.0에서 0.4 V/Å까지 0.1 V/Å 단위로 점차 증가시켰을 때 CO 스트레칭 밴드의 변화가 가장 뚜렷하게 나타났습니다. 전기장 세기가 증가함에 따라 CO 스트레칭 밴드의 P/R 분기는 점차 사라지고 흡수 피크는 더 날카로워집니다.
또한 FIREANN은 인가된 전기장이 화학 결합의 강도를 감소시켜 CO의 신축 진동이 적색편이를 일으키고 그 거리는 전기장 세기에 비례한다고 예측했습니다.
300K에서 다양한 전기장 하에서 NMA의 FIREANN 예측 결과
액체: 주기율표와 매우 일치함
연구진은 FIREANN 모델이 인가된 전기장에 대한 주기 시스템의 반응을 예측하는 능력을 검증하기 위해 액체 물에서 테스트를 수행했습니다.. 분자계와 달리 주기계의 편극 강도(단위 부피당 쌍극자 모멘트)는 다중값의 양으로, 이로 인해 여러 개의 평행 가지가 존재하게 되고 쌍극자 모멘트가 갑자기 변하게 됩니다.
AIMD 예측에서는 쌍극자 모멘트의 갑작스러운 변화로 인해 결과의 불연속성을 명확히 볼 수 있습니다. 외부 전기장이 가해지면 이러한 돌연변이는 더 빈번해지며, 이는 기존의 머신 러닝 알고리즘에 어려움을 야기합니다.
AIMD, 수정된 AIMD 및 FIREANN을 이용한 액체 물의 쌍극자 모멘트 분석(a)과 자기장 발생 시 액체 물의 쌍극자 모멘트(b)
FIREANN 프레임워크에서 모델은 전기장이 존재하는 경우에만 원자력을 훈련하므로 시스템의 에너지 기울기는 실제로 영향을 받지 않아 이 문제는 쉽게 해결됩니다.
이를 위해 연구진은 물 분자 64개, x방향으로 0.6 V/Å의 전기장 세기, 원자력을 유일한 예측 대상으로 하는 FIREANN-wF라는 모델을 구축했습니다.모델의 원자력 예측은 제곱 평균 오차가 39.4 meV/Å에 불과해 실험 결과와 매우 일치합니다..
액체 물의 필드 프리 방사 분포 함수(RDF)에 대한 FIREANN-wF의 예측은 DFT 및 실험 결과와도 일치합니다.
OO(a), OH(b) 및 HH(c)의 반경 분포 함수에 대한 FIREANN 예측 및 실험 결과와의 비교
쌍극자 모멘트는 IR 스펙트럼에 중요한 영향을 미칩니다. FIREANN-wF 모델은 핵 양자 효과를 분석하기 때문에이는 DFT 결과와 일치하는 잠재 에너지 표면(PES)과 쌍극자 모멘트 표면을 정확하게 예측할 수 있습니다..
그런 다음 FIREANN-wF를 사용하여 0.4 V/Å를 적용한 후의 IR 스펙트럼을 예측했습니다. 전기장은 OH 결합의 강도를 감소시키고 물 분자가 전기장에 평행하게 재배열되도록 유도하므로 스펙트럼에서 OH 신축 대역은 뚜렷한 적색 이동을 보입니다.
필드가 없는 액체 물의 스펙트럼(a)과 필드가 있는 액체 물의 스펙트럼(b)에 대한 FIREANN의 예측 및 실험 결과와의 비교
REANN과 비교해보세요: 외삽법과 고속 훈련
FIREANN-wF와 유사한 학습 방법을 가진 모델이 있지만, 외부 필드에 대한 처리 방법은 완전히 다릅니다.이로 인해 이러한 모델은 고차 상호작용을 예측할 수 없게 됩니다..
FIREANN에서는 필드 의존적 원자 오비탈을 도입한 이후, 이 모델은 오비탈 간의 상호작용을 통해 외부 필드에 대한 전자 밀도의 반응을 포착할 수 있습니다..
이전 글에서 물 분자에서 FIREANN과 FieldSchNet의 차이점을 비교했고, 이 차이점은 주기계에서도 여전히 존재합니다.
연구진은 물 분자와 x방향 전기장을 이용해 테스트 시스템을 구축했습니다. FIREANN과 FieldSchNet의 예측된 RMS 오차는 각각 54.5 meV/Å와 245.4 meV/Å입니다. 이전 결과와 유사하게,FIREANN은 FieldSchNet에서는 사용할 수 없는 기능인 ±2 V/Å까지 예측을 외삽할 수 있습니다..
변화하는 전기장에서 액체 물 시스템의 에너지에 대한 DFT, FIREANN 및 FieldSchNet 외삽 결과
A100의 비디오 메모리가 80GB인 경우 훈련 시간 측면에서 FieldSchNet은 에포크당 7.6분이 걸리는 반면, FIREANN은 2.4분밖에 걸리지 않습니다..
분자-장 상호작용: 미시적 시스템을 위한 원격 제어
화학 시스템과 외부장 사이의 상호작용은 미시적 시스템을 연구할 수 있는 창을 제공하고, 미시적 시스템을 조작할 수 있는 강력한 도구를 제공합니다.. 외부 전기장을 조절함으로써 물질의 화학 구조를 바꾸고, 전자 전달을 촉진하고, 물질의 상전이와 생체 분자의 구조 변화를 제어하고, 촉매의 선택성을 조절하고, 심지어 저온 화학 반응의 양자 역학에 영향을 미칠 수도 있습니다.
주사터널링 현미경의 팁과 금속 표면 사이에 전기장을 인가하면 금속 표면의 아조벤젠 유도체를 트랜스에서 시스로 가역적으로 이성질화할 수 있습니다.
금(111) 표면에서의 아조벤젠의 트랜스-시스 이성질화
마찬가지로 전기장의 방향을 바꾸면 나노 스케일에서 분자의 혼합 패턴이 바뀔 수 있습니다.
다양한 전압에서 1,3,5-트리스(4-카르복시페닐)벤젠과 트리실리산의 혼합 모드
분자와 외부장 사이의 상호작용은 미시적 시스템의 원격 조종이라고 할 수 있다.. 이러한 상호작용을 이해하는 것은 미시적 규모의 과학 연구에 매우 중요합니다. FIREANN은 주기적 시스템과 비주기적 시스템, 외부 필드 간의 상호 작용을 정확하게 분석하고, 임의의 질서를 가진 시스템의 응답을 예측하여 미시적 연구에 새로운 방법을 제공합니다..
참조 링크:
[1]https://pubs.acs.org/doi/full/10.1021/ja065449s
[2]https://pubs.acs.org/doi/full/10.1021/acsnano.7b04610
-- 위에--