Otimização de Parâmetros do Campo de Força Adaptativo para Expandir Simulações de Reação em Temperaturas de Ampla Faixa

A simulação em larga escala e a longo prazo de reações químicas são tópicos de pesquisa chave na química computacional. No entanto, ainda existem dificuldades em simular reações a altas temperaturas, como a decomposição térmica de polímeros. Aqui, introduzimos um quadro de otimização de parâmetros potenciais adaptativos projetado para ajustar automaticamente os parâmetros, e a aplicação dele para otimizar os parâmetros do ReaxFF melhora a precisão das simulações de reações químicas realizadas em temperaturas experimentais. Para alcançar isso, aproveitamos o poder das Florestas Aleatórias e técnicas de aprendizado de máquina interpretável que possibilitam a identificação e seleção de parâmetros que exercem uma influência substancial sobre o atributo alvo. Ao treinar modelos de rede neural profunda (NN), estabelecemos associações de parâmetros otimizados com propriedades de referência. Empregamos um Algoritmo Genético (GA) para utilizar o modelo NN substituto e os alvos mecânicos quânticos para acelerar a busca por parâmetros ótimos. Nossos resultados de simulação da pirólise de resina mostram que o ReaxFF otimizado adaptativamente pode prever a temperatura de pico com mais precisão e obter uma composição de produto razoável sob condições que se assemelham mais aos cenários experimentais. Este trabalho facilita avanços na otimização de parâmetros de campo de força para simulações de reação mais precisas e universais.