Machine Learning Force Fields and Coarse-Grained Variables in Molecular Dynamics: Application to Materials and Biological Systems.
Machine Learning Force Fields and Coarse-Grained Variables in Molecular Dynamics: Application to Materials and Biological Systems.
复制标题
分子动力学中的机器学习力场和粗粒度变量：材料和生物系统的应用。
DOI：
10.1021/acs.jctc.0c00355
复制
发表时间：
2020-08-11
影响因子：
5.5
通讯作者：
Lelièvre T
中科院分区：
文献类型：
--
作者：
Gkeka P;Stoltz G;Barati Farimani A;Belkacemi Z;Ceriotti M;Chodera JD;Dinner AR;Ferguson AL;Maillet JB;Minoux H;Peter C;Pietrucci F;Silveira A;Tkatchenko A;Trstanova Z;Wiewiora R;Lelièvre T
机器学习包含一组工具和算法，现在几乎在所有科学和技术领域都变得流行。分子动力学也是如此，机器学习有望从复杂系统模拟生成的大量数据中提取有价值的信息。我们在这里提供了一个回顾我们目前的理解的目标，好处和限制的机器学习技术的计算研究原子系统，侧重于从从头算数据库的经验力场的建设和自由能计算和增强采样的反应坐标的确定。
Machine learning encompasses a set of tools and algorithms which are now becoming popular in almost all scientific and technological fields. This is true for molecular dynamics as well, where machine learning offers promises of extracting valuable information from the enormous amounts of data generated by simulation of complex systems. We provide here a review of our current understanding of goals, benefits, and limitations of machine learning techniques for computational studies on atomistic systems, focusing on the construction of empirical force fields from ab-initio databases and the determination of reaction coordinates for free energy computation and enhanced sampling.
登录
查看更多内容
影响因子：
13.6
作者：
Bartók AP;De S;Poelking C;Bernstein N;Kermode JR;Csányi G;Ceriotti M
通讯作者：
Ceriotti M
影响因子：
3.7
作者：
Bartok, Albert P.;Kondor, Risi;Csanyi, Gabor
通讯作者：
Csanyi, Gabor
DOI：
10.1073/pnas.1907975116
发表时间：
2019-09-03
影响因子：
11.1
作者：
Bonati, Luigi;Zhang, Yue-Yu;Parrinello, Michele
通讯作者：
Parrinello, Michele
影响因子：
8.6
作者：
Behler, Joerg;Parrinello, Michele
通讯作者：
Parrinello, Michele
影响因子：
6.3
作者：
BERENDSEN, HJC;VANDERSPOEL, D;VANDRUNEN, R
通讯作者：
VANDRUNEN, R