机器学习(Machine Learning)预测分子动力学行为
文一：
学习物质: 基于机器学习和原子模拟的材料设计
摘要：
设计新材料对于解决健康、能源和可持续性方面的紧迫社会挑战至关重要。物理化学定律和经验试错的结合长期以来一直指导着材料设计，但这种方法受到实验成本和推导复杂指导原理的困难的限制。要考虑的假设材料的空间非常大，只有一小部分可能的化合物可以通过实验进行测试。原子模拟和机器学习（ML）的计算技术为快速发明新材料和驾驭这一巨大空间提供了一条途径。它们结合在一起，可以用来推断复杂的设计原则，并比试错实验更快地识别高质量的候选者。在这篇文章中，我们回顾了我们团队最近在材料设计模拟和ML方面的贡献。我们首先讨论ML中使用的材料的数值表示。表示可以通过确定性算法、可学习编码或基于物理的方法产生，并产生矢量、图形和矩阵输出。我们描述了这些不同的方法如何提供不同的材料和应用优势。我们提供了我们自己在小分子药物、大分子、染料、电解质和沸石方面的工作演示。在几个案例中，我们展示了适当的表示如何导致指导原则，从而促进实验材料的设计。接下来，我们重点介绍用于增强原子模拟的ML方法的发展。这些进步有助于提高模拟精度，并扩展可以探索的时间和长度尺度。它们包括可微分原子模拟，其中系综平均量相对于系统参数进行微分，以及用于增强具有挑战性的物理分布采样的新颖自回归方法。其他发展包括可学习的粗粒度模型，它可以加速分子动力学，同时最大限度地减少所有原子信息的损失，以及ML原子间势，它可以通过主动学习和对抗性不确定性攻击，在信息量最大的量子化学数据上进行训练。接下来，我们将展示这些综合计算进步是如何实现高通量虚拟筛查的。这导致发现了用于沸石合成的低成本有机结构导向剂、聚合物电解质和用于靶向药物的高效光开关。最后，我们讨论了ML和模拟的局限性。其中包括前者的大数据需求和有限的化学可转移性，以及后者的速度-精度权衡。我们预测，量子化学的进步将进一步加速模拟，而物理原理的结合将提高ML的可靠性。
图：物质的不同表现形式。表示可以通过物理方法(黄线)、确定性算法(蓝灰线)或可学习的编码(绿线)生成。双向箭头表示可逆性，灰色 V 表示子成分。
图：机器学习预测更好的 CPP 和聚糖，归因分析揭示了活化的子结构
图：沸石分子系统的对抗性攻击
图：粗颗粒化的ML程序示意图。
文二：
分子模拟中的机器学习
摘要：
机器学习正在改变科学的所有领域。分子模拟中复杂而耗时的计算特别适合最大似然法的革命，并且已经受到现有最大似然法应用的深刻影响。在这里，我们回顾了最近用于分子模拟的机器学习方法，特别关注用于预测量子力学能量和力的(深度)神经网络，粗粒度分子动力学，自由能表面和动力学的提取，以及用于采样分子平衡结构和计算热力学的生成网络方法。为了解释这些方法和说明开放的方法学问题，我们回顾了分子物理学的一些重要原理，并描述了如何将它们纳入 ML 结构。最后，我们确定并描述了机器学习和分子模拟之间接口的一系列开放挑战。
图：利用机器学习建立力场模型。
图：物理约束、不变性和等方差的说明。
图：SchNet，一个连续卷积框架。
文三：
分子动力学中的机器学习力场和粗粒度变量：在材料和生物系统中的应用
摘要：
机器学习包括工具和算法，这些工具和算法现在几乎在所有科技领域都很流行。分子动力学也是如此，机器学习有望从复杂系统模拟产生的大量数据中提取有价值的信息。我们在这里回顾了我们目前对机器学习技术在原子系统计算研究中的目标、好处和局限性的理解，重点是从从头算数据库中构建经验力场，以及确定自由能计算和增强采样的反应坐标。
图：基于粒子的粗粒化: 高维自由能表面(FES)可以从原子数据中提取出来，作为 CG 模型的基础
图：简历鉴定的代表性方法。所有相关引文均在正文中。
图：通过不同种子、平行分子动力学模拟和马尔可夫状态模型构建载脂蛋白和 SAM 结合的 SETD8的构象景观。
文四：
一种利用机器学习算法研究多晶石墨烯裂纹扩展的新方法
摘要：
提出了一种机器学习模型来预测多晶石墨烯在拉伸载荷下的脆性断裂。该模型采用卷积神经网络、双向递归神经网络和全连接层来处理空间和序列特征。空间特征是晶粒取向和晶界位置，而序列特征与裂纹扩展有关。利用分子动力学模型，获得了预裂多晶石墨烯片在拉伸载荷作用下的断裂过程。分子动力学模拟的数据以及新的图像处理技术被用于准备训练和测试所提出的模型所需的数据集。从机器学习模型获得的裂纹扩展与分子动力学模拟结果非常吻合。所提出的机器学习模型可以即时预测裂纹的生长，避免了与分子动力学模拟相关的计算成本。
图：不同取向角的石墨烯颗粒
图：具有初始边缘裂纹和平均晶粒尺寸从3nm变化到9nm的多晶石墨烯片（基于𝑦–应力分量）。放大的图像显示了由五边形-七边形缺陷链组成的晶界。（a） 3nm、（b）4nm、（c）5nm、（d）6nm、（e）7nm、（f）8nm和（g）9nm。
图：预裂多晶石墨烯片的断裂过程。（a） 施加在𝑦–方向，（b）晶粒大小对多晶石墨烯片的强度的影响，（c）晶粒尺寸对多晶石墨烯片的杨氏模量的影响，以及（d）平均晶粒大小为6nm的6种不同多晶石墨烯片中的裂纹路径。等高线图显示𝑦–具有0%应变下初始裂纹的多晶石墨烯片中的应力分量（上图）和具有完全生长的裂纹（下图）。
图：在应变(a)0% ，(b)7.02% 和(c)7.39% 时，平均晶粒尺寸为5nm 的多晶石墨烯片材的裂纹扩展。等高线图显示了应力的 y 分量(黑色箭头显示了裂纹路径)。
图：多晶石墨烯片的初始配置。图像SC显示了松弛的多晶石墨烯片的应力轮廓图，FC显示了基于晶粒取向的灰度图像。灰度图像被用作机器学习模型的输入。曲线图AD示出了每个晶粒取向的原子密度，曲线图PD表示每个给定像素值的像素密度。（a） 平均晶粒尺寸3nm，（b）平均晶粒尺寸6nm，和（c）平均晶粒大小9nm。
图：用于处理图像切片的机器学习体系结构。
文五：
机器学习在玻璃科学与工程中的应用
摘要：
新型眼镜的设计经常受到效率低下的爱迪生“试错”发现方法的困扰。作为一种替代途径，材料基因组计划在很大程度上推广了依赖人工智能和机器学习的新方法，以加速发现和优化新型先进材料。在这里，我们回顾了最近在采用机器学习来加速设计具有定制性能的新型眼镜方面的一些进展。
图：机器学习在玻璃设计中的典型应用示例。
图：回归机器学习技术说明
图：分类机器学习技术说明。
图：（a）人工神经网络模型的图示，该模型包括输入层、隐藏层和输出层。这里，输入变量指的是玻璃成分。（b）玻璃溶解度、（c）杨氏模量和（d）玻璃转化温度的预测（即模型输出）和测量玻璃性质之间的比较。相关系数R2被指示为模型精度的度量。
图：使用贝叶斯优化和高斯过程回归（GPR）对经验力场参数化的说明
