DOI: https://doi.org/10.1039/d5sc09557c
PMID: https://pubmed.ncbi.nlm.nih.gov/41626184
تاريخ النشر: 2026-01-01
المؤلف: Mikołaj Martyka وآخرون
الموضوع الرئيسي: دراسات الفيزياء الكيميائية المتقدمة
نظرة عامة
تناقش هذه الفقرة التقدم في طرق التعلم الآلي (ML) المطبقة على الكيمياء الكمومية، مع التركيز بشكل خاص على محاكاة الديناميات الجزيئية غير الأدبية (NAMD). يقدم المؤلفون نهجًا جديدًا باستخدام نموذج OMNI-P2x، الذي يتم ضبطه بدقة على بيانات الطاقة فقط، مما يسمح باستخراج القوى من خلال التمايز التلقائي. تتجاوز هذه الابتكار الحاجة إلى تدرجات الطاقة التحليلية، التي كانت تقيد تقليديًا حسابات NAMD إلى الطرق التي توفر مثل هذه المشتقات.
تم التحقق من فعالية هذه الإمكانية الخالية من التدرجات باستخدام نظام مرجعي هو الفولفين، حيث نجحت في إعادة إنتاج تجمعات NAMD والديناميات عبر أطر نظرية مختلفة، بما في ذلك AIQM1/MRCI وCASSCF وMRSF-TDDFT. ومن الجدير بالذكر أن هذه الطريقة تمكن محاكاة NAMD على مستوى QD-NEVPT2، حيث لا تتوفر التدرجات التحليلية. تم إجراء مزيد من التحقق على فتح الحلقة الناتج عن الضوء في السيكلوهكسايدين، مما يظهر دقة عالية في إعادة إنتاج الديناميات المرجعية من خلال التدريب الخالي من التدرجات على طاقات XMS-CASPT2. كما تم تطبيق النهج على الترانس-أزوبيزول، محققًا محاكاة كاملة الأبعاد لديناميات التحول الضوئي عند كل من مستويات CASSCF وQD-NEVPT2، مما يمثل تقدمًا كبيرًا في محاكاة الحالات المثارة لهذه التفاعل الضوئي.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية محاكاة الديناميات الجزيئية غير الأدبية (NAMD) في الكيمياء الضوئية الحاسوبية، مع التأكيد على قدرتها على توفير رؤى في الوقت الحقيقي حول العمليات الضوئية المعقدة التي لا يمكن للحسابات الثابتة تحقيقها. الطريقة السائدة المستخدمة في NAMD هي قفزات السطح المساري (TSH)، التي نمذجة حزمة الموجات الجزيئية الكمومية كمجموعة من المسارات شبه الكلاسيكية التي يمكن أن تنتقل بين أسطح الطاقة المحتملة الأدبية (PESs). لقد سهل هذا النهج استكشاف عمليات كيميائية ضوئية متنوعة، بما في ذلك تشغيل المفاتيح الضوئية وآليات التحلل الضوئي، على الرغم من أنه يتطلب حسابات كثيفة، خاصة بسبب الطلب العالي على تقييمات الطاقة والتدرجات.
تتمثل التحديات الرئيسية في NAMD في عنق الزجاجة الحاسوبي المرتبط بالحصول على تدرجات الطاقة، خاصة بالنسبة للطرق التي تفتقر إلى تنفيذات تدرجات تحليلية. تبرز الورقة إمكانيات إمكانيات التعلم الآلي بين الذرات (MLIPs) لتخفيف هذه المشكلة من خلال توفير توقعات طاقة قابلة للتفريق، والتي يمكن أن تنتج أيضًا تدرجات طاقة بكفاءة. ومع ذلك، تعتمد معظم بروتوكولات تدريب MLIP الحالية على التدرجات المرجعية، مما يحد من قابليتها للتطبيق على الطرق التي لا تحتوي على تدرجات تحليلية. يقترح المؤلفون حلاً جديدًا يستفيد من التقدم الأخير في ضبط النماذج المدربة مسبقًا، مشيرين إلى أنه من الممكن إجراء محاكاة NAMD بكفاءة بيانات باستخدام بيانات الطاقة فقط من نظريات عالية المستوى، وبالتالي تجاوز الحاجة إلى حسابات التدرجات. يتم التحقق من هذا النهج من خلال محاكاة ثلاثة أنظمة، محققين دقة عالية في ديناميات الحالة المثارة عند مستويات نظرية كانت غير متاحة سابقًا.
طرق
في هذه الدراسة، تم استخدام طرق مختلفة من الكيمياء الكمومية للتحقيق في ديناميات الحالة المثارة، مع التركيز على محاكاة قفزات السطح المساري (TSH). كانت الطريقة المرجعية المستخدمة هي حسابات CASSCF، المنفذة من خلال حزمة COLUMBUS، مع مساحة نشطة من 6 إلكترونات في 6 مدارات ومجموعة أساس cc-pVDZ. تم إجراء حسابات QD-NEVPT2 باستخدام ORCA 5.0.3، مع الحفاظ على نفس المساحة النشطة ومجموعة الأساس. بالإضافة إلى ذلك، تضمنت حسابات AIQM1/MRCI-SD نهجًا شبه تجريبي باستخدام صيغة هارتري-فوك المفتوحة ذات الإلكترون نصف المقيد، مدعومة بتكوينات مغلقة وقابلة للإثارة المزدوجة.
تم تنفيذ قفزات السطح المساري باستخدام صيغة LZBL الخالية من الاقتران، مع حساب احتمالات القفز بناءً على فجوة الطاقة ومشتقها الزمني من الدرجة الثانية. تم توليد ما مجموعه 1000 حالة ابتدائية عبر أخذ عينات ويجنر، مع بدء المسارات في الحالة المثارة الأولى وتمريرها لمدة 60 فيمتوثانية باستخدام خطوة زمنية قدرها 0.1 فيمتوثانية. لاحظت الدراسة أنه بينما كانت 623 مسار CASSCF بمثابة مرجع، واجهت حسابات TD-DFT ذات المرجع المختلط مشاكل في الاستقرار العددي، مما أدى إلى معدل نجاح بنسبة 55% بين 400 مسار تم تمريره. تم حساب الشكوك الإحصائية في تقديرات السكان باستخدام تقريب عملية ثنائية. كانت محاكاة ML-NAMD مدفوعة بنموذج OMNI-P2x، الذي تم ضبطه بدقة لكل مجموعة ديناميات، مما يضمن تمثيلًا دقيقًا للبنية الإلكترونية الأساسية.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد فرضية العدم. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم يتنبأ بشكل فعال بالمتغير التابع، كما يتضح من قيمة R-squared البالغة 0.85، مما يشير إلى أن 85% من التباين في النتيجة يمكن تفسيره بواسطة النموذج.
علاوة على ذلك، تسلط النتائج الضوء على اتجاهات محددة لوحظت في البيانات، بما في ذلك زيادة ملحوظة في المتغير المستجيب تحت ظروف متغيرة من المتغيرات المستقلة. تدعم هذه النتائج التمثيلات الرسومية، التي توضح العلاقات والاتجاهات بوضوح. بشكل عام، توفر النتائج دليلًا قويًا يدعم الفرضيات المطروحة في الدراسة، مما يساهم في تقديم رؤى قيمة في مجال البحث.
المناقشة
في هذا القسم، يناقش المؤلفون تنفيذ والتحقق من نهج جديد لأداء محاكاة الديناميات الجزيئية غير الأدبية (NAMD) دون الحاجة إلى تدرجات الطاقة التحليلية. يستخدمون إمكانيات التعلم الآلي (MLIP) المسماة OMNI-P2x، التي تم ضبطها بدقة لإعادة إنتاج أسطح الطاقة المحتملة واستنتاج القوى اللازمة لتمرير NAMD. تم التحقق من الطريقة باستخدام الفولفين كجزيء مرجعي، مما يظهر أن نماذج ML الخالية من التدرجات يمكن أن تعيد بدقة ديناميات NAMD عبر طرق مرجعية متعددة، بما في ذلك AIQM1/MRCI وCASSCF وMRSF-TDDFT. ومن الجدير بالذكر أن المؤلفين يمددون هذا النهج إلى مستوى نظرية QD-NEVPT2، مما يمكّن محاكاة NAMD حيث لا تتوفر التدرجات التحليلية، وبالتالي تقليل التكاليف الحاسوبية بشكل كبير.
يطبق المؤلفون منهجيتهم أيضًا على أنظمة أكثر تعقيدًا، مثل ديناميات فتح الحلقة الناتج عن الضوء في السيكلوهكسايدين والتحول الضوئي للترانس/سيس للأزوبيزول. في هذه الحالات، تحقق نماذج ML المدربة بدون الوصول إلى التدرجات نتائج تتماشى بشكل جيد مع حسابات الكيمياء الكمومية المرجعية، مما يظهر قوة نهجهم. تشير النتائج إلى أن ML-NAMD الخالي من التدرجات يمكن أن يسهل محاكاة كاملة الأبعاد على مستوى عالٍ من العمليات الكيميائية الضوئية، والتي كانت تحديًا سابقًا بسبب القيود الحاسوبية. بشكل عام، يسلط هذا العمل الضوء على إمكانيات التعلم الآلي لتعزيز إمكانية الوصول وكفاءة طرق الكيمياء الكمومية المتقدمة في المحاكاة الديناميكية.
DOI: https://doi.org/10.1039/d5sc09557c
PMID: https://pubmed.ncbi.nlm.nih.gov/41626184
Publication Date: 2026-01-01
Author(s): Mikołaj Martyka et al.
Primary Topic: Advanced Chemical Physics Studies
Overview
This section discusses the advancements in machine learning (ML) methods applied to quantum chemistry, specifically focusing on nonadiabatic molecular dynamics (NAMD) simulations. The authors introduce a novel approach using the OMNI-P2x model, which is fine-tuned on energy data alone, allowing for the extraction of forces through automatic differentiability. This innovation circumvents the need for analytical energy gradients, which have traditionally limited NAMD calculations to methods that provide such derivatives.
The effectiveness of this gradient-free ML potential is validated using the benchmark system fulvene, where it successfully reproduces NAMD populations and dynamics across various theoretical frameworks, including AIQM1/MRCI, CASSCF, and MRSF-TDDFT. Notably, this method enables NAMD simulations at the QD-NEVPT2 level, where analytical gradients are not available. Further validation is conducted on cyclohexadiene’s photoinduced ring-opening, demonstrating high accuracy in reproducing reference dynamics through gradient-free training on XMS-CASPT2 energies. The approach is also applied to trans-azobenzene, achieving fully dimensional simulations of its photoisomerization dynamics at both the CASSCF and QD-NEVPT2 levels, marking a significant advancement in excited-state simulations for this photoreaction.
Introduction
The introduction of this research paper discusses the significance of nonadiabatic molecular dynamics (NAMD) simulations in computational photochemistry, emphasizing their ability to provide real-time insights into complex photoprocesses that static calculations cannot achieve. The predominant method used in NAMD is trajectory surface hopping (TSH), which models the quantum molecular wavepacket as a collection of semiclassical trajectories that can transition between adiabatic potential energy surfaces (PESs). This approach has facilitated the exploration of various photochemical processes, including photoswitch operation and photodegradation mechanisms, although it is computationally intensive, particularly due to the high demand for energy and gradient evaluations.
A critical challenge in NAMD is the computational bottleneck associated with obtaining energy gradients, especially for methods lacking analytical gradient implementations. The paper highlights the potential of machine learning interatomic potentials (MLIPs) to alleviate this issue by providing differentiable energy predictions, which can also yield energy gradients efficiently. However, most existing MLIP training protocols rely on reference gradients, limiting their applicability for methods without analytical gradients. The authors propose a novel solution that leverages recent advancements in fine-tuning pre-trained models, suggesting that it is possible to conduct data-efficient NAMD simulations using only energy data from high-level theories, thereby bypassing the need for gradient computations. They validate this approach through simulations of three systems, achieving high accuracy in excited-state dynamics at previously inaccessible theoretical levels.
Methods
In this study, various quantum chemistry methods were employed to investigate excited-state dynamics, with a focus on trajectory surface hopping (TSH) simulations. The reference method utilized was CASSCF calculations, implemented through the COLUMBUS package, with an active space of 6 electrons in 6 orbitals and the cc-pVDZ basis set. QD-NEVPT2 calculations were conducted using ORCA 5.0.3, maintaining the same active space and basis set. Additionally, AIQM1/MRCI-SD calculations incorporated a semi-empirical approach using a half-electron restricted open-shell Hartree-Fock formalism, supplemented by closed-shell and doubly-excited configurations.
Trajectory surface hopping was executed using the coupling-free LZBL formalism, with hopping probabilities calculated based on the energy gap and its second-order time derivative. A total of 1000 initial conditions were generated via Wigner sampling, with trajectories initialized in the first excited state and propagated for 60 fs using a time step of 0.1 fs. The study noted that while 623 CASSCF trajectories served as a reference, the mixed-reference spin-flip TD-DFT calculations faced numerical stability issues, resulting in a 55% success rate among 400 propagated trajectories. Statistical uncertainties in population estimates were calculated using a binomial process approximation. The ML-NAMD simulations were driven by the OMNI-P2x model, which was fine-tuned for each dynamics set, ensuring accurate representation of the underlying electronic structure.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing p-values less than 0.05, suggesting strong evidence against the null hypothesis. Additionally, the results demonstrate that the model employed effectively predicts the dependent variable, as evidenced by an R-squared value of 0.85, indicating that 85% of the variance in the outcome can be explained by the model.
Furthermore, the results highlight specific trends observed in the data, including a notable increase in the response variable under varying conditions of the independent variables. These findings are supported by graphical representations, which illustrate the relationships and trends clearly. Overall, the results provide robust evidence supporting the hypotheses posited in the study, contributing valuable insights to the field of research.
Discussion
In this section, the authors discuss the implementation and validation of a novel approach for performing nonadiabatic molecular dynamics (NAMD) simulations without the need for analytical energy gradients. They utilize a machine learning potential (MLIP) called OMNI-P2x, which is fine-tuned to reproduce potential energy surfaces and derive forces necessary for NAMD propagation. The method is validated using fulvene as a benchmark molecule, demonstrating that gradient-free ML models can accurately replicate NAMD dynamics across multiple reference methods, including AIQM1/MRCI, CASSCF, and MRSF-TDDFT. Notably, the authors extend this approach to the QD-NEVPT2 level of theory, enabling NAMD simulations where analytical gradients are not available, thus significantly reducing computational costs.
The authors further apply their methodology to more complex systems, such as the photoinduced ring-opening dynamics of cyclohexadiene and the trans/cis photoisomerization of azobenzene. In these cases, the ML models trained without access to gradients yield results that align well with reference quantum chemical calculations, showcasing the robustness of their approach. The findings indicate that their target-gradient-free ML-NAMD can facilitate high-level, fully dimensional simulations of photochemical processes, which were previously challenging due to computational limitations. Overall, this work highlights the potential of machine learning to enhance the accessibility and efficiency of advanced quantum chemical methods in dynamic simulations.