Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >用高斯做势能面扫描(二):柔性扫描

用高斯做势能面扫描(二):柔性扫描

作者头像
用户7592569
发布于 2020-07-27 07:39:32
发布于 2020-07-27 07:39:32
11.4K00
代码可运行
举报
文章被收录于专栏:量子化学量子化学
运行总次数:0
代码可运行
  • Jun 28, 2020 增加保存数据的操作方法及其他细节
  • Sep 5, 2019 初版

柔性扫描简介

势能面扫描可以用来研究势能随少数几个坐标变化的情况,分为刚性扫描和柔性扫描两种。刚性扫描是指被扫描的坐标变化后,不改变未被扫描的坐标,相当于做一系列单点能计算。对于刚性扫描,本公众号之前已经有过介绍,见《用高斯做势能面扫描(一):刚性扫描》。柔性扫描是指被扫描的坐标变化后,固定被扫描的坐标优化分子结构,相当于做一系列限制性优化。刚性扫描所需的计算资源更少,但是由于刚性扫描只考虑了一个自由度,其计算结果对势能面的描述不如柔性扫描更真实。

做柔性扫描时高斯输入文件的书写

柔性扫描可以使用任意坐标描述分子结构(内坐标或笛卡尔坐标),由于要做一系列限制性优化,routine section中要写入opt=modredundant,一般还要写入nosymm,最后在输入文件末尾写入被扫描的坐标及其步数和步长。

柔性扫描时文件末尾内坐标的描述方式为

[Type] N1 N2 [N3 [N4]] S steps step-size

中括号代表可选项。Type代表内坐标的类型,写入B代表键长,A代表键角,D代表二面角。NX代表第X个原子在这个分子结构中的序号,当只有N1和N2存在时代表扫描N1-N2间的键长,N3存在时代表扫描N1-N2-N3间的键角,N3和N4都存在时代表扫描N1-N2-N3-N4间的二面角。[Type]为可选项,因为内坐标的类型可以通过给出原子的个数确定。S为保留字,表明这是个柔性扫描作业。steps代表步数,step-size代表步长(需写浮点数),这两项与描述刚性扫描时的输入项相同。被扫描变量的初始值即为当前输入文件中该变量的值,因此需要注意将初始结构调整为想要的结构。

例如,给出一个柔性扫描作业的输入文件,文件尾写着

2 3 S 3 0.05

代表扫描原子2和原子3间的键长,扫描3步(加上起点一共得到4个结构),每步键长增加0.02埃。

笛卡尔坐标同样也可以用于柔性扫描,不过此时扫描的不再是内坐标,而是笛卡尔坐标。当用笛卡尔坐标描述柔性扫描时,输入文件结尾应写入

X atom S x-steps x-size y-steps y-size z-steps z-size

其中X为保留字代表笛卡尔坐标,atom代表原子在分子中的号,x-steps和x-size代表原子在x方向上的步数和步长,y方向和z方向上同理。

例如,给出一个笛卡尔坐标柔性扫描的作业,文件尾写着

X 1 S 5 0.2 0 0.0 3 0.1

这代表相对起始结构,原子1在x方向移动5步,每步0.2埃,在z方向上移动3步,每步0.1埃。

注意,柔性扫描时,扫描内坐标并不要求分子结构用内坐标表示,扫描笛卡尔坐标不要求分子结构用笛卡尔坐标表示。与刚性扫描要求分子结构用内坐标描述不同,柔性扫描对分子结构的描述方式没有要求。

下面用两个实例说明柔性扫描的输入文件的书写和计算结果的分析。第一个例子为一维势能面柔性扫描,第二个例子为二维势能面柔性扫描。

一维势能面柔性扫描

为了与刚性扫描一文对比,本文同样用丁烷分子绕C-C键旋转过程为例。丁烷分子的结构如下所示,由丁烷分子的三维结构可知,被扫描的内坐标应该选取1-5-8-11二面角。

丁烷分子的三维结构

其输入文件如下:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
%nproc=48
%mem=20GB
%chk=C4_relaxed.chk
#p m062x/6-311G** opt=modredundant nosymm

n-butane relaxed scan

0 1
C      0.00000000    0.00000000    0.00000000
H      0.00000000    0.00000000    1.07000000
H      1.00880000    0.00000000   -0.35670000
H     -0.50440000   -0.87370000   -0.35670000
C     -0.72600000    1.25740000   -0.51330000
H     -0.72430000    1.25840000   -1.58330000
H     -1.73530000    1.25640000   -0.15830000
C     -0.00160000    2.51480000    0.00230000
H     -0.50600000    3.38850000   -0.35440000
H      1.00770000    2.51580000   -0.35280000
C     -0.00410000    2.51340000    1.54230000
H      0.49920000    3.38700000    1.90060000
H      0.50030000    1.63970000    1.89900000
H     -1.01340000    2.51250000    1.89740000

D 1 5 8 11 S 36 10.00

关键词opt=modredundant表明每一步都需要做限制性优化,写入nosymm一方面是为了方便观察轨迹,另一方面防止扫描过程中对称性改变带来的问题。D 1 5 8 11 S 36 10.00表明扫描原子1-5-8-11构成的二面角,扫描步长为36步,每一步二面角增大10度。因为步长是36,再加上初始结构,我们最后一共会得到37个结构。

得到的扫描轨迹如下:

柔性扫描轨迹

计算结束后,输出文件中有每一步能量和结构的记录:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Summary of Optimized Potential Surface Scan (add -158.0 to energies):
                   1        2        3        4        5
Eigenvalues -- -0.40297 -0.40237 -0.40105 -0.39920 -0.39725
……
                   6        7        8        9        10
Eigenvalues -- -0.39576 -0.39541 -0.39641 -0.39817 -0.40010
……
……

用GaussView打开输出文件,点击Results->Scan可以得到GaussView绘制的势能曲线,如下图所示:

柔性扫描势能曲线

一般在论文中不使用GaussView作的图,而是自行使用Origin等程序作图。柔性扫描不像刚性扫描一样在文件末尾以两列的形式给出扫描变量和能量,若要取出能量,可以借助GaussView,在上述图势能曲线处右击,选择Save Data,即可将扫描变量与能量写入txt文件中。

柔性扫描势能曲线与刚性扫描得到的势能曲线形状相同,但是由于进行过限制性优化总体能量更低,而且几个势能面上的极大值相对能量也有差别。将势能曲线中的最高点作为初猜做过渡态搜索,依然可以搜索到相应过渡态。读者可以自行将柔性扫描与刚性扫描的结果做比较。

二维势能面柔性扫描

Gaussian除了支持一维势能面扫描外,还支持多维的势能面扫描,这里以二维势能面扫描为例。二维势能面扫描的输入文件与一维势能面扫描的唯一不同就是文件尾有两行描述被扫描的两个内坐标。

[Type] N1 N2 [N3 [N4]] S steps step-size

[Type] N1 N2 [N3 [N4]] S steps step-size

这里我们称第一行描述的坐标为1st coordinate,第二行描述的坐标为2nd coordinate。

做一维势能面扫描时,程序只需要沿着势能面上的一个方向移动就可以了,做二维势能面扫描时就会出现移动方向的选择问题。Gaussian做二维势能面扫描时移动方向如下图所示:

二维势能面扫描示意图

从起点O开始,首先固定1st coordinate不变,依次改变2nd coordinate直至最大步长。在2nd coordinate的最大步长处,固定2nd coordinate,让1st coordinate移动一步。继续固定1st coordinate不变,依次改变2nd coordinate直至最小步长。在2nd coordinate的最小步长处,固定2nd coordinate,让1st coordinate移动一步。以此类推。因此二维势能面扫描产生的结构的总数为(steps_1+1)*(steps_2+1),更多维势能面扫描产生的结构总数同理。在做多维势能面扫描时,变量之间最好不要有关联,否则会使扫描结果混乱或出错。

本文二维势能面柔性扫描所研究的体系为SN2反应,反应式如下。

Cl−+CH3Cl → ClCH3+Cl−

定义的两个内坐标分别为下图中两个C-Cl键的键长。扫描的起点时两个键长均为2.0埃,两个坐标的步数均为7,步长均为0.1埃。

输入文件如下:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
%chk=sn2-scan.chk
%mem=8GB
%nprocshared=8
#p opt=modredundant nosymm b3lyp/6-31g(d,p)
 
Title Card Required
 
-1 1
 C    -0.00000100    0.00001000   -0.00009800
 H     0.00000500   -0.90861200    0.57116500
 H     0.00000500    0.94905800    0.50114900
 H     0.00000500   -0.04041300   -1.07262700
 Cl    1.99999900   -0.00000100    0.00000777
 Cl   -2.00000100   -0.00000100    0.00000777
 
 B 1 5 S 7 0.1
 B 1 6 S 7 0.1
 

计算结束后,在输出文件中同样有每一步的能量和结构信息:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Summary of Optimized Potential Surface Scan (add-960.0 to energies):
                   1        2        3        4        5
Eigenvalues -- -0.32917 -0.34305 -0.35429 -0.36323 -0.37009
……
……

用和上文打开一维势能面扫描输出文件时一样的操作,打开二维势能面扫描的输出文件时,GaussView会输出三维的势能图,如下所示。可以看到有鞍点存在。

二维势能面

推荐阅读:

1. 用高斯做势能面扫描(一):刚性扫描

2. http://gaussian.com/opt/

3. Exploring Chemistry with Electronic Structure Methods, Third Edition, Chapter 6, P238

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-06-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量子化学 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
用Gaissian16中的GIC功能实现翻转过程的势能面扫描
势能面扫描前需要用户对扫描坐标有一个明确的定义。在Gaussian 16的广义内坐标(GIC)功能出现之前,我们只能对一些简单的结构参数,如笛卡尔坐标、键长、键角、二面角做势能面扫描。GIC的出现让我们可以定义更加复杂的扫描坐标。
用户7592569
2020/11/06
2.2K0
用Gaissian16中的GIC功能实现翻转过程的势能面扫描
在Gaussian16中同时扫描两个反应坐标
是依次扫描两个坐标,无法做到同时,因此得到的是一张二维势能面,总扫描点数是两个坐标扫描点数的乘积,计算量较大。然而有时候我们只想同时扫描两个反应坐标,即两个坐标同时改变,得到一条曲线。
用户7592569
2020/07/27
3.6K1
在Gaussian16中同时扫描两个反应坐标
一种用Gaussian 16中的GIC功能实现同时扫描多个坐标的方法
势能面扫描是我们用Gaussian常做的计算,一般可以分为刚性扫描和柔性扫描。如果在柔性扫描中给定两个坐标,那么我们将会得到二维势能面。但是有时候我们只希望两个坐标同时变化得到一条势能曲线,这可以通过使用Gaussian中的GIC(广义内坐标)实现。本公众号之前也给出了一个可行的解决方案,见《在Gaussian16中同时扫描两个反应坐标》。但是之前方案的缺点是使用了Link1,在用GaussView打开输出文件时不能很方便地显示能量的变化趋势,这在找能量极大,极小点时会带来困难。因此这里给出了一个新的方案,不使用Link1,让势能曲线可以直观地显示出来。
用户7592569
2020/11/05
3.6K0
借助势能面扫描寻找过渡态两例
寻找过渡态是研究化学反应机理中至关重要的步骤,但实际研究中,找过渡态往往不是一帆风顺。过渡态的结构优化对初始猜测十分敏感。过渡态是势能面上的一阶鞍点,是反应路径上的能量极大值点。而势能面扫描(《用高斯做势能面扫描(一):刚性扫描》《用高斯做势能面扫描(二):柔性扫描》)则是研究体系的能量随某结构参数变化的情况。因此,根据猜测的过渡态的结构变化模式,可以借助势能面扫描寻找一个能量高点,这个结构往往是过渡态的一个非常好的初始猜测。本文以J. Am. Chem. Soc. 2017, 139, 8251−8258一文Figure 10中的两个过渡态的寻找为例,说明如何借助势能面扫描来寻找过渡态。所有的计算使用Gaussian 16 C.01完成。
用户7592569
2021/03/16
3.8K1
借助势能面扫描寻找过渡态两例
用Gaussian寻找圆锥交叉点
圆锥交叉(conical intersection, CI)简言之是指两个态的势能面交叉的地方,此时两个态的能量简并。在圆锥交叉区域,体系可以从激发态以无辐射形式回到基态。关于圆锥交叉的更深入的理论细节可参考Conical intersections: theory, computation and experiment一书。此外,点击文末“阅读原文”可打开一份非常不错的关于光化学计算的讲义。如果打开速度较慢,可在留言区的百度网盘链接获得。
用户7592569
2020/09/10
5.3K0
ICLR2022 | SphereNet与G-SphereNet : 3D分子图表示与分子几何生成的自回归流模型
本期介绍德州农工大学CSE系Shuiwang Ji 教授(http://people.tamu.edu/~sji/)团队被ICLR2022接收的两个工作:SphereNet与G-SphereNet。
DrugAI
2022/03/25
5650
ICLR2022 | SphereNet与G-SphereNet : 3D分子图表示与分子几何生成的自回归流模型
Chem. Eng. J | 掌控基于ESIPT的AIE效应设计具有单组分白光发射的光学材料
今天为大家介绍一篇近期发表在Chemical Engineering Journal上的论文:Controlling ESIPT-based AIE effects for designing optical materials with single-component white-light emission。论文通讯作者为中南大学董界副教授和曾文彬教授,论文第一作者为黄帅博士。该论文将机器学习建模预测、量化计算和实验相结合对氨基分子内氢键化合物进行的光谱学机制研究,并且基于此获得了单组分固态白光发射材料。该论文首先巧妙利用量化计算得到的ESIPT(Excited-State Intramolecular Proton Transfer)的发生过程势能面变化构建判断ESIPT能否发生的参数,利用机器学习构建预测模型揭示了不同吸电子基团对氨基的pKa的影响与势能变化之间的关系,从而影响ESIPT发生过程,并且实现了特定母核下ESIPT效应的准确预测。进一步揭示了ESIPT的发生导致亚胺式的TICT的出现,从而将会导致AIE现象。利用这种机制可以为后续的单分子固态白光材料的研究提供思路,同时该研究也为其他的相关机制研究提供了一个新的范式。
DrugAI
2023/11/24
4290
Chem. Eng. J | 掌控基于ESIPT的AIE效应设计具有单组分白光发射的光学材料
KDD 2023 | 第四范式开发用于分子性质预测的生成式3D预训练模型
论文标题:Automated 3D Pre-Training for Molecular Property Prediction
机器之心
2023/08/07
4930
KDD 2023  | 第四范式开发用于分子性质预测的生成式3D预训练模型
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
本文介绍一篇来自浙江大学侯廷军教授、康玉副教授和碳硅智慧联合发表在Chemical Science的论文《SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for Conformation Generation》。该论文提出了一种将分子力学当中的随机动力学系统和深度学习当中的概率模型相结合的小分子三维构象生成模型:SDEGen。作者采用随机微分方程(Stochastic Differential Equation, SDE)模拟分子构象从热噪声分布到热平衡分布的过程,联合概率深度学习的最新DDIM(Denoising Diffusion Implicit Models)模型,不仅提高了模型生成构象的效率,并且在多项评测任务(包括构象生成质量、原子间距离分布和构象簇的热力学性质)上实现了精度的提升。如在构象生成质量上,其多样性指标优于传统方法22%,准确性指标优于传统方法40%;在热力学性质预测方面,将传统方法的精度提升了一个数量级,与量化计算的结果误差缩小至~2kJ/mol。除此之外,这篇文章还引入了晶体构象的比对实验和势能面分布实验,为构象生成任务的评测提供了更多维及更物理的视角。大量的实验表明,SDEGen不仅可以搜索到小分子晶体构象所在的势能面的势阱当中,还可以搜索到完整势能面上多个局域优势构象。同时,SDEGen模型计算效率极高,在分子对接、药效团识别、定量构效关系等药物设计任务中具有广泛的应用前景。
DrugAI
2023/02/17
9680
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
Pocket2Mol : 基于3D蛋白质口袋的高效分子采样
本文介绍由xingang peng等人发表于ICML上的文章:Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets。作者提出了一种新的可以满足口袋施加的多个几何约束的采样方法:Pocket2Mol,这是一个由两个模块组成的 E(3)-等变生成网络,它不仅可以捕获结合口袋原子之间的空间和键合关系,还可以在不依赖 马尔科夫链蒙特卡洛方法(MCMC)的情况下从易于处理的分布中以口袋表示为条件对新候选药物进行采样。实验结果表明,从 Pocket2Mol 中取样的分子具有明显更好的结合亲和力和其他药物特性,例如药物相似性和合成可及性。
DrugAI
2022/06/10
1.5K0
Pocket2Mol : 基于3D蛋白质口袋的高效分子采样
用Gaussian 16计算振动分辨的紫外-可见吸收光谱
分子在电子态之间的跃迁是极其快速的过程(飞秒量级),比分子的振动周期(皮秒量级)快得多。因此,在电子态跃迁的瞬间,分子中原子核的运动可认为跟不上电子态的变化,分子的核间距保持不变,体现在势能面上就是垂直跃迁,如下图所示,这称为Frank-Condon原理。
用户7592569
2020/09/01
14.8K3
用Gaussian 16计算振动分辨的紫外-可见吸收光谱
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
分子表示是本研究理解物质世界的关键要素,也是现代分子机器学习的基础。以往的分子机器学习模型通常使用字符串、指纹特征、全局特征以及简单的分子图,这些表示方式本质上信息较为稀疏。然而,随着预测任务复杂度的提升,分子表示需要编码更高保真度的信息。本研究提出了一种新的方法,通过立体电子效应将富含量子化学信息的数据注入分子图中,从而增强其表达能力与可解释性。通过定制的双图神经网络流程学习预测含立体电子信息的分子表示,使该表示能够应用于任何下游的分子机器学习任务,而无需昂贵的量子化学计算。本研究表明,显式地加入立体电子信息能显著提升二维图神经网络模型在分子性质预测任务中的性能。此外,本研究还展示了在小分子上训练得到的分子表示可以准确地外推至更大的分子结构,揭示了先前难以处理的体系(如完整蛋白质)中轨道相互作用的化学机理,为分子设计开辟了新途径。
DrugAI
2025/06/07
1040
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
用GAMESS中的Spin-flip TD-DFT找S0/S1交叉点
寻找势能面交叉点是激发态的研究中经常遇到的问题。不同自旋多重度的势能面交叉点相关的介绍可以参考本公众号之前所发关于MECP系列文章。自旋多重度相同的势能面的交叉点常称为圆锥交叉(conical intersection, CI),我们也曾介绍过如何用CASSCF方法寻找CI点。然而CASSCF方法涉及活性空间的选择等问题,在使用上不是特别方便,对稍大一些的体系,其计算量往往也难以承受。TD-DFT是当前激发态计算中最常用的方法,不少程序支持使用TD-DFT来寻找CI点,如GAMESS、ORCA等。然而,对于S0和S1势能面的交叉点,则需要特别注意。虽然上述两个程序的TD-DFT都支持寻找S0/S1交叉点,而且碰巧的是,这两个程序官方给出的算例都是寻找S0/S1交叉点,但实际上TD-DFT在描述参考态(S0)与激发态的交叉点时是有缺陷的,原理上无法描述S0/Sn交叉点。这点在ORCA 5.0.2版的手册8.3.12节中已经指出,也有不少文献中提及此点,如J. Phys. Chem. A, 2009, 113, 12749.等文章。
用户7592569
2022/01/04
1.8K0
用GAMESS中的Spin-flip TD-DFT找S0/S1交叉点
电子圆二色谱(ECD)的理论计算
确定手性化合物的绝对构型在有机化学中非常重要。最严格的手段是X射线单晶衍射法解出化合物的精确结构,便可知道绝对构型。但是在实验中要想获得单晶并不是一件容易的事,因此常常需要借助其他谱学手段来进行判断。圆二色谱(circular dichroism, CD)是常用的方法之一。手性对映体在光学性质上的差异主要表现在对偏振光的响应上。当左圆偏振光与右圆偏振光通过手性化合物溶液时,左右圆偏振光的传播速率和吸收程度均发生变化。将摩尔吸光系数之差(Δε)随波长的变化作图可获得圆二色谱。如果体系没有手性,则没有CD信号。圆二色谱分电子圆二色谱(electronic circular dichroism, ECD)和振动圆二色谱(vibrational circular dichroism, VCD)两类。在ECD光谱中,手性化合物对平面偏振光的吸收是由电子吸收光子后产生电子能级之间的跃迁引起的,属于电子吸收光谱。VCD对应的吸收光谱为振动光谱,振动光谱是在同一电子能态下,不同振动能级之间的跃迁产生的。本文介绍电子圆二色谱的计算方法。实验化学家一般直接称圆二色谱即是指电子圆二色谱。
用户7592569
2020/07/27
14.7K4
电子圆二色谱(ECD)的理论计算
MECP简介(3)——实例分享
O3的基态是单重态(事实上是一个单重态双自由基),三重态略高于单重态(约20 kcal/mol),键长键角都略有不同。
用户7592569
2020/07/27
2.9K2
MECP简介(3)——实例分享
ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法
本文介绍一篇来自于麻省理工学院的Hannes Stärk、Octavian Ganea等人发表在ICML上的分子结构预测工作——《EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction》。预测类药物分子如何和特定靶蛋白结合是药物发现中的一个核心问题。已有方法依赖于评分、排序和微调等步骤对大量候选分子进行采样,计算非常昂贵。针对该问题,作者提出一种SE(3)等变的几何深度学习模型——EQUIBIND。该模型能直接快速地预测出受体结合位置以及配体的结合姿势和朝向。此外,作者将该模型同已有的微调技巧结合取得额外突破。最后,作者提出一种新型且快速的微调模型,它对于给定的输入原子点云基于冯·米塞斯角距离全局最小值的近似形式来调整配体可旋转键的扭转角,避免以前昂贵的差分进化能源最小化策略。
DrugAI
2022/06/10
9800
ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法
AI从业者怎么做Science?清华大学AIR周浩:从文本生成到蛋白质设计的跨界探索
清华大学智能产业研究院副研究员周浩在智源大会上,以计算机从业者的身份,向大家分享了 AI 人做蛋白质设计遇到的多重挑战,并从数据结构、生成算法、预训练 3 个方面讲述了目前蛋白质领域的前沿研究。
HyperAI超神经
2024/07/01
1450
AI从业者怎么做Science?清华大学AIR周浩:从文本生成到蛋白质设计的跨界探索
使用EzReson进行化学共振分析(3):实例:1,3-丁二烯的共振分析
在前两篇推送中,我们介绍了定量的共振理论和EzReson的安装,从本篇开始,我们通过实例展示用EzReson程序进行化学共振分析的方法。
用户7592569
2021/02/26
1.3K0
使用EzReson进行化学共振分析(3):实例:1,3-丁二烯的共振分析
复旦大学朱思语/漆远等:蛋白质动态结构预测模型AlphaFolding
蛋白质的功能很大程度上取决于其3D结构。19世纪中期,科学界普遍认为蛋白质结构是固定的、刚性的,类似锁与钥匙模型 (lock-and-key model),即蛋白质与配体的结合是由固定的三维结构决定的。然而,当Daniel Koshland提出酶与底物结合时会发生构象变化的观点后,传统思维开始受到挑战。
智药邦
2025/02/19
3920
复旦大学朱思语/漆远等:蛋白质动态结构预测模型AlphaFolding
Nat. Commun. | 计算速度远远优于DFT,NewtonNet推导ab initio海森矩阵用于过渡态优化
今天为大家介绍的是来自美国的Teresa Head-Gordon团队与Samuel M. Blau团队发表的一篇论文。识别过渡态——反应物和产物极小值之间的势能面鞍点——对于预测动力学障碍和理解化学反应机制至关重要。在本研究中,作者训练了一个完全可微分的等变神经网络势能,NewtonNet,针对数千个有机反应,并推导出分析性海森矩阵。通过将计算成本相对于密度泛函理论(DFT)ab initio源降低几个数量级,作者能够在每一步的鞍点优化中使用学习到的海森矩阵。作者展示了完全机器学习(ML)海森矩阵在240个未见过的有机反应中稳健地找到过渡态,即使初始猜测结构的质量降低,同时将收敛所需的优化步骤数相比于准牛顿DFT和ML方法减少了2-3倍。所有数据生成、NewtonNet模型和ML过渡态寻找方法均可在自动化工作流程中获取。
DrugAI
2024/12/05
2270
Nat. Commun. | 计算速度远远优于DFT,NewtonNet推导ab initio海森矩阵用于过渡态优化
推荐阅读
相关推荐
用Gaissian16中的GIC功能实现翻转过程的势能面扫描
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验