arXiv cs.AI· Kareem Hegazy, Eric C-Y Yuan, Anup Kumar, Dmitriy Morozov, Daniel Barter, Michael W Mahoney, Teresa Head-Gordon, Samuel M Blau·· 4 小时前AI 评分29
Popcornn:在机器学习势能面上用神经网络路径优化寻找过渡态
Neural Network Path Optimization for Finding Transition States on a Machine Learned Potential
AI 导读
Popcornn 框架通过在机器学习原子间势(MLIP)上优化连续神经网络路径并结合并行自适应数值积分器来寻找过渡态,消除了路径离散化伪影并降低超参数敏感性。在数千个有机反应的多种 MLIP 上,它比 nudged elastic band 和 growing string 等标准方法稳定找回更多正确过渡态。该框架在路径目标、积分策略和优化算法上均可灵活替换,适合高通量过渡态搜索。
正文 · AI 翻译
摘要:过渡态决定化学反应的速率和结果,然而定位过渡态仍然是计算化学中的一个核心挑战。双端搜索方法在给定反应物和产物结构的情况下寻找过渡态,但通常依赖于为密度泛函理论开发的离散化路径表示,而密度泛函理论中势能面评估的代价很高。机器学习原子间势(MLIP)大幅降低了这一成本,并利用自动微分高效地获取高阶导数。我们提出了 Popcornn,这是一个通过在 MLIP 之上优化连续神经网络路径并结合并行自适应数值积分器来寻找过渡态的框架。这种组合消除了路径离散化伪影,降低了对超参数的敏感性,并利用二阶势能面信息实现非局部优化以克服局部特征。在数千个有机反应上,Popcornn 在多个 MLIP 上始终比 nudged elastic band 和 growing string 等标准方法恢复出更多正确的过渡态,使其成为适用于高通量过渡态搜索的稳健、可自动化方法。Popcornn 的基础设施在路径目标、积分策略和优化算法方面具有灵活性,使其成为研究基于 MLIP 的路径优化中开放问题的实用工具和平台。
| 主题: | 化学物理(physics.chem-ph);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22272 [physics.chem-ph] |
| (或 arXiv:2611.22272v1 [physics.chem-ph] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22272 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Kareem Hegazy [查看电子邮件]
[v1]
2026年11月17日星期二 06:18:18 UTC(25,394 KB)
来源:arXiv cs.AI · arxiv.org