论文部分内容阅读
分子动力学模拟是理论计算化学研究中最重要的手段之一,在物理,化学,生物,和药学等多个领域中发挥着日益重要的作用。其中势能面是进行分子动力学模拟的基础,根据势能面的计算可以获得体系的能量和能量梯度等信息。目前,构建势能面的方法包括经验和半径与公式拟合、插值法和神经网络等,其中神经网络由于其函数形式灵活和拟合精度高等特性,受到了广泛的关注。在第2章中,我们介绍了神经网络的发展和基本理论,以及利用神经网络构建势能面的方法。在第3章中,我们分别使用经验公式拟合和神经网络的方法构建了线型H3体系的势能面。拟合数据集中的5151个构型的能量由完全重整化耦合簇CR-CC(2,3)方法计算所得。对于经验公式拟合法,我们使用了 London势能函数进行拟合,拟合的均方根误差为0.426 kcal mol-1,势能面的鞍点位置为1.762 a0;而对于神经网络法,我们采用了 2-10-1的网络结构,拟合的均方根误差为0.0327 kcal mol-1,势能面的鞍点位置为1.758a0。从上述结果可知,神经网络的拟合误差更小,而且鞍点位置更接近前人高精度H3势能面的结果(约为1.757 a0),由此可见,神经网络可以构造出精度更高的势能面。在第4章中,我们介绍了我们参与发展的低标度量子化学(LSQC)程序,该程序使用了推广的基于能量的分块方法(GEBF)和分子中的簇(CIM)算法,可以以较低的标度准确计算大分子体系的能量。该程序首先根据GEBF或者CIM算法,将目标大体系划分为若干子体系,再根据选用的理论方法调用相应的量子化学程序对子体系进行传统的量化计算,最后,根据GEBF或CIM算法汇总结合各个子体系的计算结果,得到最终的目标大体系的结果。在第5章中,我们采用神经网络构建了水簇(H20)48的势能面。我们对水簇进行了分子动力学模拟,在动力学轨线上选择了 10万个构型构成拟合数据集。首先,我们使用一个带有一层包含20个神经元的隐藏层的神经网络来构建势能面,拟合的均方根误差为2.464 kcalmol-1。为了进一步提高拟合精度,我们采用了分区法来构建势能面。我们以-400kcalmol-1为界限,将(H20)48的构型空间分为低能和高能分区,并为两个分区分别构建一个神经网络势能面,然后再训练一个神经网络分类器来判断任意给定构型的分区归属,最后结合这三个神经网络就能得到最终的分区法势能面,该势能面的均方根误差为2.221 kcalmol-1。由此可见,分区法可以较为有效的提高势能面的精度。