Přesná molekulární dynamika kapalin a solvatace pomocí strojového učení ab initio interakcí
Cíle projektu
Ab initio molekulární dynamika používající nejmodernější metody elektronové struktury, potenciálně v kombinaci s dráhovými integrály pro popis jaderných kvantových jevů, se stala neocenitelným nástrojem, který může poskytnout vysoce přesné výsledky pro široké spektrum molekulárních systémů. Užitečnost těchto metod je ale omezena jejich značnými výpočetními náklady, a to i při použití moderních technik pro jejich urychlení. V této práci chceme překročit tyto limity čistě ab initio interakcí tvorbou potenciálů na základě strojového učení, které tyto interakce aproximují za zlomek jejich výpočetní ceny. Náš přístup založený na committee machines umožňuje systematicky a kontrolovaně tvořit přesné modely interakcí. Díky tomu budeme schopni studovat vodíkově vázané roztoky na časových a prostorových škálách, které ab initio metodám nejsou dostupné. Vlastnosti a vzájemné interakce solvatovaných látek, jako jsou třeba malé ionty, reaktivní protony, či biologicky relevantní molekuly, tak mohou být plně ovzorkovány a podrobně popsány, čímž získáme vhled do chování těchto náročných systémů.
Klíčová slova
ab initiomolecular dynamicspath integralmachine learningneural networkhydrogen bondsliquidssolvation
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202100005
Hlavní účastníci
Univerzita Karlova / Matematicko-fyzikální fakulta
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
21-27987S
Alternativní jazyk
Název projektu anglicky
Accurate molecular dynamics of liquids and solvation through machine learning of ab initio interactions
Anotace anglicky
Ab initio molecular dynamics using state-of-the-art electronic structure methods, potentially combined with path integrals to treat nuclear quantum effects, has become an invaluable tool that can deliver highly accurate results for a broad range of molecular systems. At the same time, the utility of these methods is limited by their considerable computational cost, even with modern acceleration techniques. Here we go beyond these limits of purely ab initio interactions by creating machine learning potentials which approximate them at a fraction of the computational cost. In our approach based on committee machines, accurate interaction models can be created in a systematic way while controlling uncertainty. This will enable the study of hydrogen-bonded solutions on time and length scales not available to ab initio methods alone. Properties and mutual interactions of solvated species, such as small ions, reactive protons, or biologically relevant molecules, can thus be fully sampled and described in detail, providing insight into the behavior of these challenging systems.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10301 - Atomic, molecular and chemical physics (physics of atoms and molecules including collision, interaction with radiation, magnetic resonances, Mössbauer effect)
OECD FORD - vedlejší obor
10403 - Physical chemistry
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)BE - Teoretická fyzika
CF - Fyzikální chemie a teoretická chemie
Termíny řešení
Zahájení řešení
1. 7. 2021
Ukončení řešení
30. 6. 2024
Poslední stav řešení
—
Poslední uvolnění podpory
29. 2. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
12. 3. 2025
Finance
Celkové uznané náklady
6 586 tis. Kč
Výše podpory ze státního rozpočtu
6 586 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
6 586 tis. Kč
Statní podpora
6 586 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Atomic, molecular and chemical physics (physics of atoms and molecules including collision, interaction with radiation, magnetic resonances, Mössbauer effect)
Doba řešení
01. 07. 2021 - 30. 06. 2024