Molekulardynamik-Simulationen (MD) sind ein etabliertes Werkzeug in Physik, Chemie und Biologie. Die überwiegende Mehrheit dieser Simulationen verwendet Kraftfelder, um die Wechselwirkungen zwischen den Atomen und Molekülen des betreffenden Systems zu approximieren. Jüngste Bemühungen konzentrieren sich darauf, diese Kraftfelder durch neuronale Netzwerkpotenziale (NNPs) zu ersetzen, die eine quantenmechanische Genauigkeit bei angemessenen Rechenkosten versprechen. Das Ziel dieser Arbeit ist es, die Leistung bestehender vortrainierter NNPs in MD-Simulationen von Wasser und zwei organischen Flüssigkeiten – Benzol und n-Hexan – zu bewerten. Strukturelle, thermodynamische und dynamische Eigenschaften wurden aus Simulationen gewonnen und kritisch mit experimentellen Daten verglichen, um die Stärken und Schwächen der beiden NNPs zu identifizieren. Konkret wurden die NNPs ANI-2x und MACE-OFF23(S) verwendet. Zusätzlich wurden alle drei Flüssigkeiten auch mit dem CHARMM General Force Field (CGenFF) simuliert. Die Ergebnisse zeigten mehrere Mängel der getesteten NNPs: Bei Verwendung von ANI-2x ist Wasser übermäßig strukturiert und der Diffusionskoeffizient ist um drei Größenordnungen zu langsam. Während MACE-OFF23(S) für Wasser vernünftige Ergebnisse liefert, überschätzt es die Dichte (12-18%) für die untersuchten Systeme erheblich. Insgesamt stimmen die Kraftfeldsimulationen am besten mit den Experimenten überein. Diese Ergebnisse zeigen, dass obwohl NNPs sich nicht mehr in der frühen Entwicklungsphase befinden, der spezifische Anwendungsbereich von NNPs sorgfältig abgewogen werden muss. Da die Leistung von NNPs je nach untersuchter Flüssigkeit variiert, sind NNPs noch nicht vollständig auf verschiedene Systeme übertragbar. Die Verbesserung der NNP-Leistung bei der Anwendung auf Flüssigkeiten in großen Mengen erfordert wahrscheinlich größere, vielfältigere Trainingsdatensätze und eine direkte, sorgfältige Validierung durch die Berechnung der Eigenschaften in der kondensierten Phase.
Sandra Leibetseder (Thu,) studied this question.