[论文解读] ChemXDyn: Dynamics-informed species and reaction detection methodology from atomistic simulations

Raj Maddipati, Dhruthi Boddapati+3 more|arXiv (Cornell University)|Jan 13, 2026

Machine Learning in Materials Science被引用 0

一句话总结

ChemXDyn 通过面向时间的分析提高对反应性 MD 的键、物种与反应的识别与计量，提升动力学参数的准确性。

ABSTRACT

Accurate identification of chemical species and reaction pathways from molecular dynamics (MD) trajectories is a prerequisite for deriving predictive chemical-kinetic models and for mechanistic discovery in reactive systems. However, state-of-the-art trajectory analysis methods infer bonding from instantaneous distance thresholds, which can misclassify transient, nonreactive encounters as bonds and thereby introduce spurious intermediates, distorted reaction networks, and biased rate estimates. Here, we introduce ChemXDyn, a dynamics-aware computational methodology that leverages time-resolved interatomic distance signatures as a core principle to robustly identify chemically consistent bonded interactions and, consequently, extract meaningful reaction pathways. In particular, ChemXDyn propagates molecular connectivity through time while enforcing atomic valence and coordination constraints to distinguish genuine bond-breaking and bond-forming events from transient, nonreactive encounters. We evaluate ChemXDyn on ReaxFF MD simulations of hydrogen and ammonia oxidation and on neural-network potential MD simulations of methane oxidation, and benchmark its performance against widely used trajectory analysis methods. Across these cases, ChemXDyn suppresses unphysical species prevalent in static analyses, recovers experimentally consistent reaction pathways, and improves the fidelity of rate constant estimation. In ammonia oxidation, ChemXDyn removes unphysical intermediates and resolves key NOx- and N2O-forming and -consuming routes. In methane oxidation, it reconstructs the canonical progression from CH4 to CO2. By linking atomistic dynamics to chemically consistent reaction identification, ChemXDyn provides a transferable foundation for MD-derived reaction networks and kinetics, with potential utility spanning combustion, catalysis, plasma chemistry, and electrochemical environments.

研究动机与目标

• 利用时间分辨的原子间距离来识别 MD 轨迹中的化学一致的键接触。
• 通过时间平均和价键约束，区分真正的键断裂/形成事件与瞬时相遇。
• 从 MD 数据构建化学有效的物种并提取带有速率常数的反应网络。
• 在多种反应体系上对比现有轨迹分析工具的性能，以证明提高的保真度。

提出的方法

• 步骤 A：分析时间窗内的原子间距离，计算每对在聚集接近范围内的前向和后向窗平均距离（或 BO），用于每个原子对。
• 步骤 B：通过将时间平均距离与平衡键长进行比较来分配键的多重性，并执行配位数约束以避免弱键/非键相互作用。
• 步骤 C：从经过验证的键构建连通图，并应用深度优先搜索在每个时间步识别分子物种，并对物种进行规范化编码。
• 步骤 D：跨时间步跟踪物种以检测反应，映射到规范表示，并使用 k = Nreac / ∫0^T [P][Q] dt（对二分子反应情况，亦可扩展到其他阶数）来计算速率常数。
• 步骤 A–D 旨在抑制虚假键、恢复化学意义的中间体，并实现可迁移的 MD 推导动力学网络。

实验结果

研究问题

• RQ1 时间分辨的原子间距离特征结合价键约束，是否能够可靠地区分反应性 MD 中真实的键事件与瞬时相遇？
• RQ2 相较于基于阈值的方法，在动态信息驱动的键识别下，是否对物种清单、反应路径和速率常数提供更准确的结果，且适用于多种化学体系？
• RQ3 在 H2/O2、NH3/N2/O2 和 CH4/O2 系统中，ChemXDyn 的表现与 ChemTrYzer 和 ReacNetGenerator 相比如何？
• RQ4 该方法是否能够重建规范的氧化级联路径（如 CH4 到 CO2），并去除静态分析中观察到的非物理中间体？

主要发现

• 与基于阈值的工具相比，在 H2/O2 和 NH3/N2/O2 系统中，ChemXDyn 可减少非物理物种的产生和反应的过度计数。
• 在 H2/O2 中，ChemXDyn 得出的速率常数与实验数据和参考动力学模型的吻合度高于基于 ChemTrYzer 的流程。
• 对于 NH3/N2/O2，ChemXDyn 识别的物种和反应较 ChemTrYzer 少，但捕捉到 CTY 缺失的关键 NHx–NOx 化学，提供更一致的机理集合。
• 在 NH3/N2/O2 基准测试中，ChemXDyn 检出关键反应（如 NH2+HO2→H2NO+OH），并与既定的氨氧化途径保持一致。
• 在使用 MLIP 的甲烷氧化中，ChemXDyn 展现出对力场范式的鲁棒性，重建规范的氧化序列（CH4 → CH3 → CH2 → CH → CHO/CH2O → CO → CO2）。
• 总体而言，ChemXDyn 提供了一个准确且可迁移的 MD 推导反应网络与动力学框架，相对于现有工具具有更高的保真度。