全局机器学习力场（MLFF）能够捕捉分子系统中的集体相互作用，由于模型复杂性随系统规模显著增长，现在可以扩展到几十个原子。对于较大的分子，引入了局域性假设，因此未描述非局域相互作用。

在此，来自德国柏林工业大学的研究团队开发了一种精确的迭代方法来训练数百个原子的全局对称梯度域机器学习 (sGDML) 力场 (FF)，而无需求助于任何潜在的不受控制的近似值。所有原子自由度在全局 sGDML FF 中保持相关，允许准确描述复杂的分子和材料，这些分子和材料呈现具有深远特征相关长度的现象。

研究人员在新开发的包含 42 到 370 个原子的分子的 MD22 基准数据集上评估 sGDML 的准确性和效率。该方法的稳健性在 MD22 数据集的超分子复合物的纳秒级路径积分分子动力学模拟中得到了证明。

该研究以「Accurate global machine learning force fields for molecules with hundreds of atoms」为题，于 2023 年 1 月 11 日发布在《Science Advances》上。

图片

论文链接：https://www.science.org/doi/10.1126/sciadv.adf0873

内容中包含的图片若涉及版权问题，请及时与我们联系删除