非绝热分子动力学模拟中无监督机器学习分析

近年来，关于大型现实系统中非绝热分子动力学（NAMD）的全原子全维度模拟受到了高度的研究关注。然而，这种NAMD模拟通常会生成大量时间相关的高维数据，导致结果分析面临重大挑战。基于无监督机器学习（ML）方法，研究人员付出了相当大的努力开发新颖且易于使用的分析工具，以识别光诱导反应通道并全面理解NAMD模拟中的复杂分子运动。在这里，我们尝试对该领域近期的进展进行概述，特别关注如何利用无监督ML方法分析基于轨迹的NAMD模拟结果。我们的目的是对该分析协议的几个基本组成部分进行全面讨论，包括ML方法的选择、分子描述符的构建、分析框架的建立、它们的优缺点以及持续的挑战。