정확한 자유 에너지 계산을 위한 ML 상호작용 포텐셜 사용에 대한 고려사항
기계 학습 포텐셜(MLP)은 고전적 시뮬레이션과 유사한 효율성으로 분자 시스템의 포텐셜 및 자유 에너지 표면(FES)을 ab initio 수준의 정확도로 설명할 수 있는 가능성을 보여준다. 그러나 FES 예측을 위해서는 단순히 에너지와 힘의 정확성뿐만 아니라 구성 상태의 다양성(엔트로피)에 대한 정확한 추정이 필요하다.
정확한 자유 에너지 계산을 위한 ML 상호작용 포텐셜 사용에 대한 고려사항
기계 학습 포텐셜(MLP)은 고전적 시뮬레이션과 유사한 효율성으로 분자 시스템의 포텐셜 및 자유 에너지 표면(FES)을 ab initio 수준의 정확도로 설명할 수 있는 가능성을 보여준다. 그러나 FES 예측을 위해서는 구성 엔트로피에 대한 정확한 추정이 필요하며, 이는 훈련 데이터의 집합 변수(CV) 분포에 따라 달라질 수 있다.
분자 시스템의 자유 에너지 계산을 위한 ML 상호작용 포텐셜 사용에 대한 고려사항
기계 학습 포텐셜(MLP)은 고전적인 시뮬레이션과 유사한 효율성으로 분자 시스템의 포텐셜 및 자유 에너지 표면(FES)을 ab initio 수준의 정확도로 설명할 수 있는 가능성을 보여준다. 그러나 MLP가 자유 에너지와 전이 상태를 신뢰성 있게 재현할 수 있는지에 대한 의문이 제기된다. 이 연구에서는 훈련 데이터의 집단 변수(CV) 분포가 MLP의 FES 예측 정확도에 미치는 영향을 조사한다.
분자 시스템의 자유 에너지 계산을 위한 ML 상호작용 포텐셜 사용에 대한 고려사항
기계 학습 포텐셜(MLP)은 고전적인 시뮬레이션과 유사한 효율성으로 분자 시스템의 포텐셜 및 자유 에너지 표면(FES)을 ab initio 수준의 정확도로 설명할 수 있는 가능성을 보여준다. 그러나 MLP가 자유 에너지와 전이 상태를 신뢰성 있게 재현할 수 있는지에 대한 의문이 제기된다. 이 연구에서는 훈련 데이터의 집합 변수(CV) 분포가 MLP의 FES 예측 정확도에 미치는 영향을 조사한다.
© 2024 by Linnk AI