加速计算高分子溶液中流体力学相互作用的机器学习方法

作     者：杨毅恩 马琳 丁明明 YANG Yien;MA Lin;DING Mingming

作者机构：广东工业大学物理与光电工程学院广东广州510006 广东工业大学轻工化工学院广东广州510006 

出 版 物：《分子科学学报》 (Journal of Molecular Science)

年 卷 期：2024年第40卷第1期

页      面：51-56页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080704[工学-流体机械及工程] 080103[工学-流体力学] 08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0801[工学-力学（可授工学、理学学位）] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：The project was supported by the National Natural Science Foundation of China(22373025) 

主　　题：流体力学相互作用 机器学习 深度神经网络 

摘      要：对于研究高分子溶液的动力学行为来说,计算分子动力学(MD)采用的隐式溶剂模型中的流体动力学相互作用(HI)是极其重要的。对于计算HI来说,Cholesky方法是最常用到的分解扩散张量的方法。然而,当体系包含粒子的数目较大时,该方法所需的计算量往往大到难以承受。因此,开发计算HI的高效率技术非常必要。近来,机器学习,特别是深度神经网络(DNN),已经在计算多体相互作用方面得到了显著提升。该技术可以显著减少MD模拟所需的计算时间,因此受到了越来越多的关注。在本项研究中,通过应用机器学习方法,我们发展了一种用于加速计算HI的DNN模型,其相互作用训练集通过针对高分子和溶剂的MD模拟来获取。该DNN模型则通过Deepmd-kit软件包来训练。我们选取表现最好的模型,用以取代对扩散张量的分解。计算得到的高分子链的回转半径和扩散系数用来验证模型的精确度。测试结果表明,相较于显式溶剂模型,我们的DNN模型在计算单链的回转半径和扩散系数方面具有优秀的计算精度。此外,该方法还具有两个显著优势。首先,设计训练集只需要特定链长的一条链,其结果却可以应用于其他链长却不影响计算精度。这就大大降低了训练需求。其次,运行时间与链长线性相关,这就使得计算HI的计算成本也大幅缩减。总之,我们开发的方法提供了一种针对长期悬而未决的计算高分子溶液中的HI的成本过于高昂的解决思路。