| 胡思宇* **,李继梅*,贾伟乐* **,谭光明* **.深度神经网络驱动的第一性原理精度分子动力学的研究进展[J].高技术通讯(中文),2025,35(11):1174~1187 |
| 深度神经网络驱动的第一性原理精度分子动力学的研究进展 |
| Survey on deep neural network-driven ab initio molecular dynamics |
| |
| DOI：10. 3772 / j. issn. 1002-0470. 2025. 11. 003 |
| 中文关键词: 分子动力学； 神经网络力场； 描述符 |
| 英文关键词: molecular dynamic, neural network force field, descriptor |
| 基金项目: |
| 作者 | 单位 | | 胡思宇* ** | （*处理器芯片全国重点实验室（中国科学院计算技术研究所）北京 100190）
（**中国科学院大学北京 100049） | | 李继梅* | | | 贾伟乐* ** | | | 谭光明* ** | |
|
| 摘要点击次数: 94 |
| 全文下载次数: 68 |
| 中文摘要: |
| 神经网络力场（neural network force fields，NNFF）成为了分子动力学（molecular dynamics，MD）模拟的新范式，本文根据神经网络力场描述符的固定与否，将神经网络力场模型分为描述符固定的神经网络力场和描述符可学习的神经网络力场，并挑选出一些有代表性的模型进行介绍。本文挑选两体高斯基组和深度势能模型这2个有代表性的方法，分别分析了其设计原则，同时探讨不同类型的神经网络力场的特点，并在4个真实数据集上进行测试，对不同类型神经网络力场模型进行比较。 |
| 英文摘要: |
| Neural network force fields (NNFFs) have become a new paradigm in molecular dynamics (MD) simulations. This paper distinguishes NNFF models by their descriptors (fixed or learnable), classifies them into fixed descriptor neural network force fields and learnable descriptor neural network force fields. This paper introduces some representative NNFF models. We select two representative methods, the two-body Gaussian basis set and the deep potential model respectively, and further analyzes their design guidelines and principles. This paper also explores the characteristics of different types of NNFFs and tests them on four real datasets to evaluate different types of NNFF models. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
