EZFF: Python library for multi-objective parameterization and uncertainty quantification of interatomic forcefields for molecular dynamics
EZFF: Python library for multi-objective parameterization and uncertainty quantification of interatomic forcefields for molecular dynamics
复制标题
EZFF：用于分子动力学原子间力场的多目标参数化和不确定性量化的 Python 库
DOI：
10.1016/j.softx.2021.100663
复制
发表时间：
2021
期刊：
影响因子：
3.4
通讯作者：
Vashishta, Priya
中科院分区：
文献类型：
--
作者：
Krishnamoorthy, Aravind;Mishra, Ankit;Kamal, Deepak;Hong, Sungwook;Nomura, Ken-ichi;Tiwari, Subodh;Nakano, Aiichiro;Kalia, Rajiv;Ramprasad, Rampi;Vashishta, Priya
原子间力场的参数化是进行分子动力学模拟的必要的第一步。这是一个非平凡的全局优化问题，涉及针对一个或多个属性的多个经验变量的量化。我们提出了EZFF，一个轻量级的Python库，用于参数化几种类型的原子间力场，在几个分子动力学引擎中实现多个目标，使用基于遗传算法的全局优化方法。EZFF方案提供了独特的功能，例如由多个力场相互作用组成的混合力场的参数化以及力场参数中不确定性的内置量化，并且可以很容易地扩展到其他力场功能形式以及MD引擎。
Parameterization of interatomic forcefields is a necessary first step in performing molecular dynamics simulations. This is a non-trivial global optimization problem involving quantification of multiple empirical variables against one or more properties. We present EZFF, a lightweight Python library for parameterization of several types of interatomic forcefields implemented in several molecular dynamics engines against multiple objectives using genetic-algorithm-based global optimization methods. The EZFF scheme provides unique functionality such as the parameterization of hybrid forcefields composed of multiple forcefield interactions as well as built-in quantification of uncertainty in forcefield parameters and can be easily extended to other forcefield functional forms as well as MD engines.
登录
查看更多内容
力场优化的多目标方法：d(6) Fe(II) 配合物的结构和自旋态能量。
影响因子：
5.5
作者：
C. M. Handley;R. Deeth
通讯作者：
R. Deeth
影响因子：
3
作者：
Larsson, Henrik R.;van Duin, Adri C. T.;Hartke, Bernd
通讯作者：
Hartke, Bernd
用于计算合成的可扩展反应分子动力学模拟
DOI：
--
发表时间：
2019
期刊：
Computing in science & engineering (Print)
影响因子：
--
作者：
Ying Li;K. Nomura;J. Insley;V. Morozov;Kalyan Kumaran;N. A. Romero;W. Goddard;R. Kalia;A. Nakano;P. Vashishta
通讯作者：
P. Vashishta
了解原子间势参数的不确定性和形式主义
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
Alexander P. Moore;C. Deo;M. Baskes;M. Okuniewski;D. McDowell
通讯作者：
D. McDowell
经典有效势的不确定性量化：potfit 的扩展
影响因子：
1.8
作者：
S. Longbottom;P. Brommer
通讯作者：
P. Brommer