Detailansicht
Thermodynamic properties using neural network potentials in MD-simulations
Sandra Leibetseder
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Stefan Boresch
DOI
10.25365/thesis.80595
URN
urn:nbn:at:at-ubw:1-27301.86126.472013-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Molekulardynamik-Simulationen (MD) sind ein etabliertes Werkzeug in Physik, Chemie und Biologie. Die überwiegende Mehrheit dieser Simulationen verwendet Kraftfelder, um die Wechselwirkungen zwischen den Atomen und Molekülen des betreffenden Systems zu approximieren. Jüngste Bemühungen konzentrieren sich darauf, diese Kraftfelder durch neuronale Netzwerkpotenziale (NNPs) zu ersetzen, die eine quantenmechanische Genauigkeit bei angemessenen Rechenkosten versprechen. Das Ziel dieser Arbeit ist es, die Leistung bestehender vortrainierter NNPs in MD-Simulationen von Wasser und zwei organischen Flüssigkeiten – Benzol und n-Hexan – zu bewerten. Strukturelle, thermodynamische und dynamische Eigenschaften wurden aus Simulationen gewonnen und kritisch mit experimentellen Daten verglichen, um die Stärken und Schwächen der beiden NNPs zu identifizieren. Konkret wurden die NNPs ANI-2x und MACE-OFF23(S) verwendet. Zusätzlich wurden alle drei Flüssigkeiten auch mit dem CHARMM General Force Field (CGenFF) simuliert. Die Ergebnisse zeigten mehrere Mängel der getesteten NNPs: Bei Verwendung von ANI-2x ist Wasser übermäßig strukturiert und der Diffusionskoeffizient ist um drei Größenordnungen zu langsam. Während MACE-OFF23(S) für Wasser vernünftige Ergebnisse liefert, überschätzt es die Dichte (12-18%) für die untersuchten Systeme erheblich. Insgesamt stimmen die Kraftfeldsimulationen am besten mit den Experimenten überein. Diese Ergebnisse zeigen, dass obwohl NNPs sich nicht mehr in der frühen Entwicklungsphase befinden, der spezifische Anwendungsbereich von NNPs sorgfältig abgewogen werden muss. Da die Leistung von NNPs je nach untersuchter Flüssigkeit variiert, sind NNPs noch nicht vollständig auf verschiedene Systeme übertragbar. Die Verbesserung der NNP-Leistung bei der Anwendung auf Flüssigkeiten in großen Mengen erfordert wahrscheinlich größere, vielfältigere Trainingsdatensätze und eine direkte, sorgfältige Validierung durch die Berechnung der Eigenschaften in der kondensierten Phase.
Abstract
(Englisch)
Molecular dynamics (MD) simulations are an established tool in physics, chemistry and biology. The vast majority of these simulations use force fields to approximate the interactions between the atoms and molecules of the system of interest. Recent efforts have focused on replacing these force fields with neural network potentials (NNPs), which promise to offer quantum-mechanical accuracy at reasonable computational costs. The aim of this study is to evaluate the performance of existing pre-trained NNPs in MD simulations of water and two organic liquids: benzene and n-hexane. Structural, thermo- dynamic, and dynamic properties were obtained from simulations and compared critically to experimental data to identify the strength and weaknesses of two NNPs. Specifically, the NNPs ANI-2x and MACE-OFF23(S) were used. Additionally, all three liquids were also simulated using CHARMM General Force Fields (CGenFF). The results revealed several shortcomings of the tested NNPs: Using ANI-2x, water is overly structured, and its diffusion coefficient is three orders of magnitude too slow. While MACE-OFF23(S) produces reasonable results for water, it significantly overestimates the density (12-18%) for the examined systems. Overall, the force field simulations agree best with the experi- ments. These findings show that, even though they are no longer in the early stages of development, careful consideration must be given to the specific scope of application of NNPs. Since NNP performance varies depending on the liquid studied, NNPs are not yet fully transferable across different systems. Improving NNP performance when applied to bulk liquids is likely to require larger, more diverse training datasets and direct, careful validation by computing condensed phase properties.
Schlagwörter
Schlagwörter
(Deutsch)
MD-Simulation Neuronale Netzwerkpotentiale (NNP) Thermodynamische Eigenschaften MACE-OFF23 ANI-2x
Schlagwörter
(Englisch)
MD-Simulation Neural network potentials (NNP) Thermodynamic properties MACE-OFF23 ANI-2x
Autor*innen
Sandra Leibetseder
Haupttitel (Englisch)
Thermodynamic properties using neural network potentials in MD-simulations
Paralleltitel (Deutsch)
Thermodynamische Eigenschaften unter Verwendung neuronaler Netzwerkpotentiale in MD-Simulationen
Publikationsjahr
2026
Umfangsangabe
ix, 49 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Stefan Boresch
Klassifikationen
35 Chemie > 35.06 Computeranwendungen ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17797510
Utheses ID
79804
Studienkennzahl
UA | 066 | 875 | |