[논문 리뷰] Using metadynamics to build neural network potentials for reactive events: the case of urea decomposition in water

Manyi Yang, Luigi Bonati외 2명|arXiv (Cornell University)|2020. 11. 23.

Machine Learning in Materials Science참고 문헌 13인용 수 7

한 줄 요약

이 연구는 메타다이나믹스와 액티브 러닝을 활용한 기계학습 잠재력을 개발하여 수용액 내 우레아 분해를 모델링하였으며, 다양한 온도에서 정확한 자유 에너지 프로파일을 도출하고 새로운 준안정 상태를 발견하는 데 성공하였다. 이 방법은 산성 또는 염기성 경로를 통해 양이온 중간체가 동일하게 형성됨을 밝혀내어 pH에 민감하지 않은 반응 속도를 설명한다.

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.

연구 동기 및 목표

• 수용성 환경에서의 반응적 과정을 시뮬레이션하기 위한 신뢰할 수 있는 기계학습 잠재력 개발
• 복잡한 수분을 포함한 반응에서 아비 이노 모ole큘라 다이나믹스의 높은 계산 비용을 극복하기 위해
• 수용액 내 우레아 분해에 대한 정확한 자유 에너지 프로파일링 및 kinetic rate 계산 가능화
• 우레아 분해 메커니즘에서 이전에 알려지지 않은 준안정 상태와 반응 경로 식별
• 반응 경로 분석을 통한 수용액 내 우레아 분해 속도의 pH 의존성 조사

제안 방법

• 메타다이나믹스를 활용해 우레아-물 시스템에서 희귀 반응 이벤트의 샘플링을 향상시켰다.
• 액티브 러닝을 사용해 양자역학적 계산을 위한 핵심 구조를 반복적으로 선택했다.
• 강화된 샘플링에서 유도된 전이 상태 및 중간체를 포함한 데이터셋을 기반으로 신경망 잠재력을 훈련시켰다.
• 훈련된 신경망 잠재력을 자유 에너지 계산과 결합하여 잠재 에너지 표면을 매핑했다.
• 다양한 온도에서 신경망 잠재력을 사용한 분자 동역학 시뮬레이션을 수행했다.
• 편향 교환 메타다이나믹스를 적용하여 반응 좌표를 따라 자유 에너지 프로파일을 계산했다.

실험 결과

연구 질문

• RQ1 다양한 온도에서 수용액 내 우레아 분해의 완전한 자유 에너지 프로파일은 무엇인가?
• RQ2 우레아 분해 경로에 존재하는 새로운 준안정 상태는 무엇인가?
• RQ3 산성 및 염기성 경로는 양이온 중간체 형성에 어떻게 기여하는가?
• RQ4 왜 수용액 내 우레아 분해 반응 속도는 pH에 민감하지 않은가?
• RQ5 액티브 러닝과 강화 샘플링을 통해 훈련된 기계학습 잠재력은 수분 내 복잡한 반응적 사건을 정확하게 기술할 수 있는가?

주요 결과

• 이 연구는 이전에 감지되지 않았던 여러 새로운 준안정 상태를 우레아 분해 경로 상에서 식별하였다.
• 신경망 잠재력을 사용하여 다양한 온도 범위에서 우레아 분해의 자유 에너지 프로파일을 계산하였다.
• 양이온 중간체 형성은 산성 경로와 염기성 경로 양쪽 모두에서 유사한 확률로 발생한다.
• 반응 속도가 pH에 민감하지 않은 것은 산성 및 염기성 경로의 에너지 접근성이 유사하기 때문임을 설명한다.
• 액티브 러닝과 메타다이나믹스 접근법은 신경망 잠재력의 샘플링 효율성과 정확도를 크게 향상시켰다.
• 신경망 잠재력은 이전에 표준 샘플링 방법으로는 도달하기 어려웠던 신뢰할 수 있는 kinetic rate 계산을 가능하게 하였다.