[論文レビュー] Machine learning potentials for redox chemistry in solution

Emir Kocer, Redouan El Haouari+2 more|arXiv (Cornell University)|Oct 4, 2024

Computational Drug Discovery Methods被引用数 5

ひとこと要約

この研究は、第4世代HDNNP機械学習ポテンシャルが水溶液中の酸化還元化学を正しく説明できることを示しており、水中のFe2+とFe3+の酸化状態の区別と電子移動を含む。従来の第2世代ポテンシャルとは異なる。

ABSTRACT

Machine learning potentials (MLPs) represent atomic interactions with quantum mechanical accuracy offering an efficient tool for atomistic simulations in many fields of science. However, most MLPs rely on local atomic energies without information about the global composition of the system. To date, this has prevented the application of MLPs to redox reactions in solution, which involve chemical species in different oxidation states and electron transfer between them. Here, we show that fourth-generation MLPs overcome this limitation and can provide a physically correct description of redox chemical reactions. For the example of ferrous (Fe$^{2+}$) and ferric (Fe$^{3+}$) ions in water we show that the correct oxidation states are obtained matching the number of chloride counter ions irrespective of their positions in the system. Moreover, we demonstrate that our method can describe electron-transfer processes between ferrous and ferric ions, paving the way to simulations of general redox chemistry in solution.

研究の動機と目的

• 溶液中での ML ポテンシャルを用いた酸化還元反応のシミュレーションの課題を動機づける。
• 4G-HDNNP が 2G-HDNNP に欠如している系全体の酸化状態情報を符号化できるかを評価する。
• FeCl2/FeCl3 を水中で複数のボックスサイズでベンチマークする。
• Fe2Cl5 系の電子移移動モデリングの能力を示し、移動性と限界を議論する。

提案手法

• FeCl2 および FeCl3 を水中で、DFT参照データ上で 2G-HDNNP と 4G-HDNNP を訓練・テストする。
• 酸化状態を識別するために Hirshfeld 電荷を用い、4G-HDNNP の訓練ターゲットを生成する。
• 小・中・大のボックスでMD シミュレーションを実施し、溶媒和構造と酸化状態の検証を探る。
• Fe–O 径動分布関数と軌跡に沿った Fe/Cl の電荷予測を用いて溶媒和殻を評価する。
• Fe2+ と Fe3+ の二価鉄イオンと五塩化鉄イオンの系（Fe2Cl5）を用いて電子移動イベントを観察する。
• 4G と 2G のアプローチの計算コストと外挿限界を論じる。

Figure 1 : Structure of the medium-sized box of the FeCl 3 system. The grey sphere represents the iron atom, the three yellow spheres are the chlorine atoms.

実験結果

リサーチクエスチョン

• RQ1 4G-HDNNP は液水中で Fe2+ と Fe3+ の溶媒和構造を正しく識別できるか。
• RQ2 混合酸化状態データで訓練された 2G-HDNNP は酸化状態特異的相互作用を再現できないのか。
• RQ3 溶液中で Fe2+ と Fe3+ の電子移動を 4G-HDNNP が記述し、全体の系電荷を保存できるか。
• RQ4 より大きな化学空間を探索する際の 4G-HDNNP の制限と外挿境界は何か。

主な発見

• 2G-HDNNP は解離対イオンが存在する溶液中で酸化状態を識別できず、溶媒和構造が不正になる。
• 4G-HDNNP は酸化状態を正しく割り当て、Fe2+ および Fe3+ の Fe–O 溶媒和殻をボックスサイズを超えて再現する。
• FeCl2/FeCl3 データを組み合わせて訓練した 4G-HDNNP は大きなボックスでも正しい溶媒和構造を維持し、2G が失敗する場面でも有効である。
• 4G-HDNNP の Hirshfeld 電荷は期待される Fe2+/Fe3+ の電荷と一致し、適切な電荷平衡を確認できる。
• Fe2Cl5 シミュレーションでは、4G-HDNNP は Fe2+ と Fe3+ の間の電子移動イベントを定性的期待と一致して示すが、完全な定量的外挿には訓練データの拡張が必要である。
• RMSE のみでは物理的な正しさを保証できない；2G と 4G は RMSE が同程度でも酸化還元挙動で質的に異なる場合がある。

Figure 2 : Fe-O radial distribution functions of Fe 2+ and Fe 3+ in water obtained with 2G-HDNNP potentials. The RDFs in (a) have been obtained for the medium box from 2G-HDNNPs trained to the separate FeCl 2 and FeCl 3 datasets, respectively, and the vertical lines define our ab initio reference fi