前往小程序,Get更优阅读体验!
立即前往
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
社区首页 >专栏 >LAMMPS教程(三)势函数相关命令

LAMMPS教程(三)势函数相关命令

作者头像
DanielZhang
发布于 2021-02-02 03:06:49
发布于 2021-02-02 03:06:49
9.7K0
举报

势函数或力场描述了体系中粒子间的相互作用。这种相互作用在物理学中习惯称为势函数;而在化学中习惯称为力场,二者并没有本质的区别,本文统称为势函数。势函数设置是分子动力学模拟中的关键一环,直接影响模拟的精度效率。因此,LAMMPS势函数命令是学习的重点。

LAMMPS中的pair_style, pair_coeffpair_modify三个命令设置了势函数的类型和参数。neighbor, neigh_modify, comm_stylecomm_modify四个命令设置了邻域列表建立和计算单元通讯,会显著影响势函数计算的效率。通常,分子动力学模拟中最耗时的步骤并不是力-加速度-速度-位移的积分运算,而是势函数的计算。因此,本文将详细地介绍以上七个命令,并通过实例帮助您快速掌握LAMMPS势函数命令。

1. pair_style

语法

pair_style style args

style可选:多种类型的势函数

args:某种势函数的参数

举例

pair_style lj/cut 2.5 pair_style eam/alloy pair_style hybrid lj/charmm/coul/long 10.0 eam pair_style table linear 1000 pair_style none

说明

该命令用于设置每对原子间的相互作用的计算公式。在LAMMPS中,对势函数定义了截断半径内原子对的相互作用,随着原子间距离的变化,原子对间相互作用也不断变化。尽管该命令直译为原子对势函数类型,它也能够设置大量多体势函数,例如EAM, Stillinger-Weber, Tersoff, REBO等。对势函数的数学表达式只与两个原子的相对位置有关,而多体势函数的数学表达式同时与三个或更多的原子位置相关。在LAMMPS中,对势函数和多体势函数统一由pair_style命令设置,为描述方便,下文统称势函数,区别于键长bond、键角angle等分子内的相互作用。

对势函数和多体势函数

势函数的具体类型确定后,不同类型原子的势函数具体参数由pair_coeff命令设置,也可以由read_data命令和read_restart命令进行文件读入。

pari_style命令一般会设置一个全局的截断半径,全局的截断半径是可以被pair_coeff命令中的截断半径重新覆盖的。在一个in文件里再次使用pair_style会抹去之前设置的所有pair_style和pair_coeff命令(pair_style tablepair_hybrid除外)。

下文将对LAMMPS的内置势函数进行概述帮助您尽快找到适合的势函数类型

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:2021-01-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Bottom2top 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
编辑精选文章
换一批
LAMMPS教程(一)建模命令
LAMMPS基于C++程序语言编程,没有类似其他商用软件的直观的用户交互界面。因此,模拟体系的建模、能量控制、粒子间相互作用、初始位置与速度和计算迭代都需要通过输入命令行实现。熟悉LAMMPS的输入命令是学习分子动力学模拟的基础。
DanielZhang
2021/01/18
2.6K0
LAMMPS教程(二)初始条件命令
分子动力学模拟的初始条件主要包括设定粒子的初始位置和初始速度。LAMMPS软件中有丰富的命令可供用户使用。为了帮助初学者快速地掌握粒子初始条件的设定,并且灵活地得到需要的体系,本文详细介绍了命令displace_atoms, delete_atoms, read_data, set, velocity的使用方法和注意事项。
DanielZhang
2021/01/18
3.4K0
CADD、人工智能和机器学习在药物发现中的应用:方法概述
2022年11月5日,印度国家药物教育与研究所的专家在Eur J Pharm Sci杂志发表文章,系统梳理了CADD、人工智能和机器学习在药物发现中的应用方法。
智药邦
2023/02/15
1.3K0
CADD、人工智能和机器学习在药物发现中的应用:方法概述
Curr Opin Struc Biol|小分子通用力场的最新进展
2021年12月20日,来自美国匹兹堡大学药学院的Junmei Wang和德克萨斯大学生物医学工程系的Pengyu Ren等人在Curr Opin Struc Biol合作发表综述“小分子通用力场的最新进展”。
智药邦
2022/02/06
1.7K0
Curr Opin Struc Biol|小分子通用力场的最新进展
lammps教程:薄膜渗透模拟(3)–不同孔隙率对过滤效果的影响
本文是薄膜渗透过滤的最后一篇文章:不同孔隙率薄膜建模。 孔隙或空位缺陷的建模原理比较简单:删除一定数量的原子就可以。 lammps自带delete_atoms可以随机删除一定比例的原子,如果对孔隙或空位的形状、尺寸等有特殊需求,需要用编程的方法删除原子。 delete_atoms porosity命令可随时产生设定比例的原子,如删除50%的原子:
全栈程序员站长
2022/10/03
6830
lammps教程:薄膜渗透模拟(3)–不同孔隙率对过滤效果的影响
MindSponge分子动力学模拟——计算单点能(2023.08)
在前面的几篇文章中,我们分别介绍了MindSponge的软件架构、MindSponge的安装与使用和如何在MindSponge中定义一个分子系统。那么就像深度学习中的损失函数,或者目标函数,这里分子力学的主要目标函数就是势能(也有动能项,但动能项更多的来源于分子动力学模拟的过程,而不是实验中的参数)。这篇文章我们主要探讨一下,在MindSponge中如何计算给定体系的单点能。
DechinPhy
2023/09/01
2220
分子动力学模拟算法框架
分子动力学模拟在新材料和医药行业有非常重要的应用,这得益于分子动力学模拟本身的直观表述,用宏观的牛顿力学,结合部分微观的量子力学效应,就能够得到很好的符合统计力学推断的结果。可以说,分子动力学模拟从理论上跨越了物理化学生物等多个学科,而从实践上又包含了计算机科学、人工智能的大量辅助和优化,综合性非常强。越是综合性强的研究方向,就越有必要梳理清楚其主干脉络和工作流程。
DechinPhy
2022/05/10
9880
分子动力学模拟算法框架
笔记-NAMD-1
链接:https://pan.baidu.com/s/1nA5q6NOvoHwQeILGuFHkYQ 密码:89ei
DrugScience
2021/02/04
1.3K0
一篇综述一个领域|在药物发现中的对接以及打分:方法以及应用
在药物发现领域,CADD技术可以加速药物研发,而CADD又下分为SBDD,LBDD,FBDD,以及最近大热的AIDD。在SBDD领域,DOCKING始终是绕不开的话题,也是高通量虚拟筛选的利器,本文通过一篇综述,来尽可能的将DOCKING这一概念阐释清晰。
DrugScience
2021/03/04
6.8K0
一篇综述一个领域|在药物发现中的对接以及打分:方法以及应用
Nat Comput Sci综述|生物分子建模在技术时代蓬勃发展
机器学习和其他数据科学方法目前正在为众多领域的发现提供新的工具。用于预测生物分子结构、动力学和功能的工具可以与基于物理学的方法相结合,不仅可以找到解决方案,还可以了解相关机制。
智药邦
2021/07/14
9560
Nat Comput Sci综述|生物分子建模在技术时代蓬勃发展
arXiv | TorchMD:一种用于分子模拟的深度学习框架
今天给大家介绍2020年12月22日在arXiv上发表的预印本“TorchMD: A deep learning framework for molecular simulations”,该文章的通讯作者是西班牙庞培法布拉大学的Gianni De Fabritiis教授。文章中提出了”TorchMD“,一个混合经典和机器学习势的分子模拟的框架。文章中所有的力计算,包括键、角、二面体、Lennard-Jones和库仑相互作用,都用PyTorch数组和运算表示。此外,TorchMD 还支持学习和模拟神经网络势。使用了标准的Amber全原子模拟进行验证,学习从头算势,执行端到端训练,最后学习和模拟了一个蛋白质折叠的粗粒度模型。
智能生信
2021/03/03
2.3K0
arXiv | TorchMD:一种用于分子模拟的深度学习框架
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
8690
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
原创 | 机器学习在分子动力学领域顶会论文初探
作者:王可汗 校对:陈之炎本文约2000字,建议阅读5分钟本文解读了机器学习在分子动力学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 分子动力学是现代计算凝聚态物理的重要力量,它经常用于模拟材料。当前,以机器学习为代表的人工智能技术在分子动力学的科学计算领域潜力巨大,展示出旺盛的生命力和光明前景。本文解读了机器学习在分子动力学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 1.论文题目原文: FORCES ARE NOT ENOUGH: BENCHMARK AND CRITICAL EVALU
数据派THU
2023/03/29
7130
原创 | 机器学习在分子动力学领域顶会论文初探
原创 | 谷歌JAX 助力科学计算
作者:王可汗 审校:陈之炎 本文约3500字,建议阅读9分钟 本文为你介绍使用谷歌JAX助力科学计算。 谷歌最新推出的JAX,官方定义为CPU、GPU和TPU上的NumPy。它具有出色的自动微分(differentiation)功能,是可用于高性能机器学习研究的python库。Numpy在科学计算领域十分普及,但是在深度学习领域,由于它不支持自动微分和GPU加速,所以更多的是使用Tensorflow或Pytorch这样的深度学习框架。然而谷歌之前推出的Tensorflow API有一些比较混乱的情况,在1.
数据派THU
2022/09/19
1.3K0
原创 | 谷歌JAX 助力科学计算
前沿报告 | 机器学习在化学和材料科学中的应用
机器学习方法已被应用于预测分子和固体的能量和性质,并且这种应用的受欢迎程度急剧增加。原子相互作用的量子性质使能量评估的计算量很大,因此,当需要进行许多此类计算时,机器方法尤其有用。近年来,ML 在化学和材料研究中的不断扩展的应用包括预测相关分子的结构,基于分子动力学模拟计算能表面,识别具有所需材料特性的结构以及创建机器学习的密度泛函。对于这些类型的问题,输入描述符必须以紧凑的方式解决原子环境中的差异。
数据科学人工智能
2022/03/31
2.1K0
前沿报告 | 机器学习在化学和材料科学中的应用
使用Amber计算单点能三步走
Amber是一个在分子动力学中非常常用的一个软件,可以用于进行分子动力学模拟计算,可以与一些软件配合进行增强采样。这里我们简单介绍一下如何使用Amber去计算一个分子构象的单点势能值,及其对应的能量分量。
DechinPhy
2023/12/01
2310
arXiv | 操作符自编码器:学习编码分子图上的物理操作
今天给大家介绍的是发表在arXiv上一项有关分子动力学内容的工作,文章标题为Operator Autoencoders: Learning Physical Operations on Encoded Molecular Graphs,作者分别是来自波特兰州立大学的Willis Hoke, 华盛顿大学的Daniel Shea以及美国兰利研究中心的Stephen Casey. 在这项工作中,作者开发了一个用于建立分子动力学模拟的时间序列体积数据图结构表示的流程。随后,作者训练了一个自编码器,以找到一个潜在空间的非线性映射。在该空间中,通过应用与自编码器串联训练的线性算子,可以预测未来的时间步长。同时,作者指出增加自编码器输出的维数可以提高物理时间步算子的精度。
DrugAI
2021/07/05
5310
OpenMM-简介与案例
openmm是用于分子模拟的高性能工具包。该代码是开源,并在MIT和LGPL license下。是 Omnia(预测生物分子模拟的工具套件)的一部分。
DrugScience
2021/03/04
1.8K0
量子化学进入机器学习时代
有“机器学习教父”之称的CMU教授Tom Mitchell曾给出过机器学习的经典定义:假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们说关于T和P,该程序对E进行了学习。这种学习的特点是,它在T上的被P所衡量的性能,会随着经验E的增加而提高。比如说,用机器学习来判定垃圾邮件,那么提供一堆邮件,其中一些是垃圾邮件,这就是经验E,邮件系统做到自动判定某邮件为垃圾邮件是任务T,而判定的正确率是性能P。
用户7592569
2020/07/27
2.1K0
量子化学进入机器学习时代
Drug Discov Today|配体-蛋白的分子对接中的机器学习
2021年9月21日,Drug Discovery Today杂志在线发表文章,文章概述和讨论了配体-蛋白的分子对接中机器学习(尤其是深度学习)的应用。
智药邦
2021/11/10
1.7K0
Drug Discov Today|配体-蛋白的分子对接中的机器学习
推荐阅读
相关推荐
LAMMPS教程(一)建模命令
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
查看详情【社区公告】 技术创作特训营有奖征文