Force Field Parameterization in Molecular Simulation by Machine Learning Methods
Year: 2023
Type: dissertation
Abstract: Paramétrisation des champs de force en simulation moléculaire par méthode d'apprentissage statistique La simulation de dynamique moléculaire permet de prédire les propriétés des matériaux, ce qui aide à la compréhension, à la recherche et au développement de nouveaux matériaux. Cependant, la précision des champs de force moléculaire a été une limitation depuis longtemps. Les champs de force traditionnels attribuent des paramètres selon des combinaisons de types d'atomes discrets, ce qui encode toutes les informations sur l'environnement chimique de l'atome. Une plus grande précision nécessite davantage de types d'atomes, ce qui entraîne une prolifération de paramètres redondants et une faible transférabilité. Nous proposons d'utiliser des réseaux neuronaux graphiques pour traiter des graphes moléculaires dirigés et extraire des représentations atomiques continues, qui seront utilisées pour dériver des paramètres de champs de force directement. L'ensemble du cadre est appelé modèle de Graph-Based Force Fields (GB-FFs) et il est autorisé à apprendre directement à partir des énergies potentials et des forces atomiques. Dans le chapitre 1, nous utilisons initialement l'apprentissage automatique pour prédire les paramètres d'interpolation polynomiale, démontrant que les réseaux neuronaux peuvent gérer efficacement des tâches de paramétrisation simples. Dans le chapitre 2, nous représentons les molécules sous forme de chaînes et utilisons des modèles de traitement du langage naturel pour extraire des empreintes moléculaires. Dans le chapitre 3, nous introduisons les réseaux d'attention de graphe dirigés pour traiter les graphes moléculaires dirigés, extraire des empreintes moléculaires et prédire les propriétés moléculaires. Dans le dernier chapitre, en nous appuyant sur les modèles des chapitres précédents, nous proposons le modèle GB-FFs, qui permet la paramétrisation des champs de force de bout en bout. Nos méthodes ont été démontrées comme une approche fiable pour optimiser et accélérer la paramétrisation des champs de force moléculaire. Actuellement, le modèle GB-FFs a été testé et validé sur le General AMBER Force Field (GAFF). À l'avenir, il pourra facilement être étendu et appliqué à d'autres champs de force également.
Source: theses.fr (ABES)
Author: Gong Chen
Institution: Sorbonne Université
Language: French
Subfield: Materials Chemistry
Field: Materials Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7150935857
