PCCP｜人工智能技术在有机分子力场发展中的应用

2025年1月3日， Physical Chemistry Chemical Physics上发表综述文章 Application of modern artificial intelligence techniques in the development of organic molecular force fields。

本文 综述了现代人工智能技术在有机分子力场开发中的应用 。文章首先介绍了分子力场在分子动力学（MD）模拟中的重要性，并指出传统力场的局限性。随后，文章详细讨论了机器学习势能（MLP）在力场开发中的应用，包括短程MLP和长程相互作用的处理。此外，文章还探讨了人工智能增强物理力场的方法，如机器学习力场校正、原子类型化和参数分配的自动化，以及模型优化。最后，文章总结了当前数据库和基准测试的现状，并对未来的发展方向提出了展望。

有机分子在生物学、化学和材料科学中具有极其重要的作用。分子动力学（MD）是理解和预测有机分子化学和物理行为的重要技术之一。在经典MD模拟中，原子运动遵循统计力学和牛顿动力学的基本规则，在高维势能面（PES）上传播。然而，传统分子力场存在许多缺陷，例如无法准确描述氢键、动态性质以及长程相互作用（如极化和电荷转移）。近年来，人工智能（AI）技术，尤其是机器学习（ML）方法，为MD模拟带来了新的变革，显著提高了力场的准确性和适用性。

图1：AI技术在有机分子力场中的应用概述。

图1展示了AI技术在有机分子力场开发中的多种应用，包括机器学习势能（MLP）的开发、物理力场的增强、原子类型化和参数分配的自动化，以及模型优化。图中通过流程图的形式，清晰地展示了从传统力场到AI增强力场的转变过程。图中强调了AI技术如何通过数据驱动的方法，提升力场的准确性和适用性，尤其是在处理复杂有机分子系统时。

图2：神经网络模型的基本结构。

图2展示了神经网络（NN）的基本结构，包括输入层、隐藏层和输出层。每个神经元通过非线性激活函数（如sigmoid或softplus）将输入信号转换为输出信号。图中还展示了神经网络的前向传播过程，即如何通过逐层计算得到最终的输出。图中通过箭头和节点的形式，清晰地展示了神经网络的层次结构和信息流动过程，帮助读者理解神经网络如何用于势能面的拟合。

图3：原子环境编码。

图3展示了如何通过径向和角度对称函数将原子的局部环境编码为固定长度的特征向量。图中（a）部分展示了如何使用高斯函数对径向分布进行投影；（b）部分展示了如何通过机器学习生成的滤波器进行激活；（c）部分展示了两种几何结构，它们的环境不同，但BP对称函数编码的结果却相同。图3通过具体的数学公式和几何示意图，帮助读者理解原子环境编码的复杂性和挑战，以及如何通过不同的方法来解决这些问题。

图4：消息传递机制和典型过程。图中展示了如何通过迭代的方式，逐步更新原子的特征向量，从而捕捉到更远距离的结构信息。图中还展示了消息传递的具体过程，包括如何构建消息向量、如何收集和传递消息。图4通过流程图的形式，清晰地展示了消息传递机制的动态过程，帮助读者理解GNN如何用于描述分子的长程相互作用。

图5：等变和不变消息处理的比较。

图5展示了等变（equivariant）和不变（invariant）消息处理的比较。图中展示了如何通过等变滤波器（如球谐函数）生成等变消息，以及如何通过点积将等变消息转换为不变特征。图5通过具体的数学公式和几何示意图，帮助读者理解等变和不变消息处理的区别，以及等变特征在描述分子势能面中的重要性。

图6：SOAP核函数构建的示意图。

图6展示了如何通过Smooth Overlap Atomic Positions（SOAP）描述符构建核函数。图中展示了如何将原子密度函数展开为径向基函数和球谐函数的组合，并通过计算重叠积分来构建核函数。图6通过具体的数学公式和几何示意图，帮助读者理解SOAP描述符的构建过程，以及如何通过核函数用于高斯过程回归（GPR）模型。