Le simulazioni di dinamica molecolare forniscono una visione teorica del comportamento microscopico dei materiali in fase condensata e, come strumento predittivo, consentono la progettazione computazionale di nuovi composti. Tuttavia, a causa delle grandi scale spaziali e temporali dei fenomeni termodinamici e cinetici nei materiali, le simulazioni atomistiche sono spesso computazionalmente inapplicabili. I metodi di classificazione grossolana consentono di simulare sistemi più grandi riducendo la loro dimensionalità, propagando tempi più lunghi e mediando i moti veloci. Il coarse-graining comporta due problemi di apprendimento accoppiati: definire la mappatura da una rappresentazione a tutti gli atomi a una rappresentazione ridotta e parametrizzare un'hamiltoniana su coordinate a grana grossa. Proponiamo un quadro di modellazione generativa basato su autocodificatori variazionali per unificare i compiti di apprendimento di variabili discrete a grana grossa, di decodifica fino al dettaglio atomistico e di parametrizzazione di campi di forza a grana grossa. Il framework è stato testato su una serie di sistemi modello, tra cui singole molecole e simulazioni periodiche in fase bulk.

Coarse-graining auto encoders per la dinamica molecolare

DI PRIMA, GIACOMO
2021/2022

Abstract

Le simulazioni di dinamica molecolare forniscono una visione teorica del comportamento microscopico dei materiali in fase condensata e, come strumento predittivo, consentono la progettazione computazionale di nuovi composti. Tuttavia, a causa delle grandi scale spaziali e temporali dei fenomeni termodinamici e cinetici nei materiali, le simulazioni atomistiche sono spesso computazionalmente inapplicabili. I metodi di classificazione grossolana consentono di simulare sistemi più grandi riducendo la loro dimensionalità, propagando tempi più lunghi e mediando i moti veloci. Il coarse-graining comporta due problemi di apprendimento accoppiati: definire la mappatura da una rappresentazione a tutti gli atomi a una rappresentazione ridotta e parametrizzare un'hamiltoniana su coordinate a grana grossa. Proponiamo un quadro di modellazione generativa basato su autocodificatori variazionali per unificare i compiti di apprendimento di variabili discrete a grana grossa, di decodifica fino al dettaglio atomistico e di parametrizzazione di campi di forza a grana grossa. Il framework è stato testato su una serie di sistemi modello, tra cui singole molecole e simulazioni periodiche in fase bulk.
2021
Coarse-graining auto encoders for molecular dynamics
Coarse-graining
auto-encoder
dinamica molecolare
File in questo prodotto:
File Dimensione Formato  
DiPrima_Giacomo.pdf

accesso aperto

Dimensione 4.4 MB
Formato Adobe PDF
4.4 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/35067