[論文レビュー] Using metadynamics to build neural network potentials for reactive events: the case of urea decomposition in water

Manyi Yang, Luigi Bonati+2 more|arXiv (Cornell University)|Nov 23, 2020

Machine Learning in Materials Science参考文献 13被引用数 7

ひとこと要約

本研究は、メタダイナミクスとアクティブラーニングを用いて機械学習ポテンシャルを開発し、水中におけるウレア分解をモデル化した。これにより、さまざまな温度における正確な自由エネルギー準位と、未知の準安定状態の同定が可能になった。この手法により、両性イオン中間体の生成が酸性経路または塩基性経路のいずれからも同程度に起こることが明らかになり、反応速度がpHに依存しない理由が説明された。

ABSTRACT

The study of chemical reactions in aqueous media is very important for its implications in several fields of science, from biology to industrial processes. Modelling these reactions is however difficult when water directly participates in the reaction. Since it requires a fully quantum mechanical description of the system, $ extit{ab-initio}$ molecular dynamics is the ideal candidate to shed light on these processes. However, its scope is limited by a high computational cost. A popular alternative is to perform molecular dynamics simulations powered by machine learning potentials, trained on an extensive set of quantum mechanical calculations. Doing so reliably for reactive processes is difficult because it requires including very many intermediate and transition state configurations. In this study, we used an active learning procedure accelerated by enhanced sampling to harvest such structures and to build a neural-network potential to study the urea decomposition process in water. This allowed us to obtain the free energy profiles of this important reaction in a wide range of temperatures, to discover a number of novel metastable states and to improve the accuracy of the kinetic rates calculations. Furthermore, we found that the formation of the zwitterionic intermediate has the same probability of occurring via an acidic or a basic pathway, which could be the cause of the insensitivity of reaction rates to the pH solution.

研究の動機と目的

• 水中環境における反応的プロセスをシミュレートする信頼性の高い機械学習ポテンシャルの開発。
• 複雑な水を含む反応において、ab initio 分子動力学の高い計算コストを克服すること。
• 水中におけるウレア分解の正確な自由エネルギー準位と速度定数の計算を可能にすること。
• ウレア分解機構にこれまで未知の準安定状態および反応経路を同定すること。
• 反応経路の分析を通じて、ウレア分解の速度定数のpH依存性を調査すること。

提案手法

• ウレア-水系における希少な反応的出来事のサンプリングを向上させるためにメタダイナミクスを採用した。
• 量子力学的計算のための重要な構造を段階的に選択するためにアクティブラーニングを用いた。
• 強化されたサンプリングから得られた遷移状態および中間体を含むデータセット上でニューラルネットワークポテンシャルを訓練した。
• 訓練済みのニューラルネットワークポテンシャルを自由エネルギー計算と組み合わせ、ポテンシャルエネルギー面をマップした。
• さまざまな温度でニューラルネットワークポテンシャルを用いた分子動力学シミュレーションを実施した。
• バイアス交換メタダイナミクスを用いて反応座標に沿った自由エネルギー準位を計算した。

実験結果

リサーチクエスチョン

• RQ1 異なる温度における水中ウレア分解の完全な自由エネルギー準位は何か？
• RQ2 ウレア分解経路にどのような新しい準安定状態が存在するか？
• RQ3 酸性経路と塩基性経路は、両性イオン中間体の生成にどのように寄与しているか？
• RQ4 なぜ水中におけるウレア分解の反応速度はpHに依存しないのか？
• RQ5 アクティブラーニングおよび強化されたサンプリングで訓練された機械学習ポテンシャルは、水中における複雑な反応的出来事の記述を正確に行えるか？

主な発見

• 本研究では、これまで検出されていなかった複数の新しい準安定状態がウレア分解経路に存在することが同定された。
• ニューラルネットワークポテンシャルを用いて、さまざまな温度におけるウレア分解の自由エネルギー準位が計算された。
• 両性イオン中間体の生成は、酸性経路および塩基性経路の両方から同程度の確率で起こる。
• 反応速度がpHに依存しないのは、酸性経路と塩基性経路の両方が同程度にエネルギー的にアクセス可能であるためである。
• アクティブラーニングとメタダイナミクスのアプローチにより、ニューラルネットワークポテンシャルのサンプリング効率と精度が顕著に向上した。
• ニューラルネットワークポテンシャルにより、従来のサンプリング手法では達成できなかった信頼性の高い速度定数の計算が可能になった。