広範囲な温度内での反応シミュレーションを拡張するための適応的力場パラメータ最適化

化学反応の大規模かつ長期的なシミュレーションは、計算化学における重要な研究テーマです。しかし、高温反応、例えばポリマーの熱分解のシミュレーションには、まだ困難があります。本研究では、パラメータを自動的に微調整するために設計された適応ポテンシャルパラメータ最適化フレームワークを導入し、ReaxFFパラメータの最適化への適用により、実験温度で行われる化学反応シミュレーションの精度を向上させます。これを実現するために、ターゲット属性に大きな影響を与えるパラメータを特定・選択することを可能にするランダムフォレストおよび解釈可能な機械学習技術の力を活用します。深層ニューラルネットワーク（NN）モデルを訓練することにより、参照特性との最適化されたパラメータの関連付けを確立しました。最適化されたパラメータと参照特性との関係を確立するために深層ニューラルネットワーク（NN）モデルを訓練します。また、遺伝的アルゴリズム（GA）を利用して代理NNモデルと量子力学的ターゲットを活用し、最適なパラメータの検索を迅速化します。樹脂熱分解のシミュレーション結果は、適応最適化されたReaxFFがピーク温度をより正確に予測でき、実験シナリオにより近い条件下で合理的な生成物組成を取得できることを示しています。この研究は、より正確で普遍的な反応シミュレーションのための力場パラメータ最適化の進展を促進します。