一级黄色网站在线视频看看,久久精品欧美一区二区三区 ,国产偷国产偷亚洲高清人乐享,jy和桃子为什么绝交,亚洲欧美成人网,久热九九

原子論模擬(Atomistic Simulation)的應用涵蓋藥物設計和材料發現等廣泛的領域。人們發現機器學習原子間的勢函數（MLIPs, Machine learning interatomic potentials）是有可能替代價格昂貴的從頭算理論模擬方法。當一種具有普適性的MLIP可以幫助研究者無需進行重新擬合就可以應用，因此發展一種普適性MLIP能夠使化學和材料領域的研究者從中獲益。

有鑒于此，洛斯阿拉莫斯國家實驗室Justin S. Smith、Richard A. Messerly、Nicholas Lubbers等通過對凝聚態反應自動取樣的方式發展了一種普適性的MLIP，并將其稱為ANI-1xnr。

本文要點

（1）

ANI-1xnr能夠用于5類體系，包括碳的固相成核、乙炔成環反應生成石墨烯、生物燃料添加劑、甲烷燃燒、地球早期小分子自發生成甘氨酸。在這些體系中，ANI-1xnr與許多實驗結果以及經典模型方法給出結論的匹配性非常好。

（2）

作者發現ANI-1xnr對于含有C、H、N、O元素的凝聚態反應具有非常好的普適性，從而能夠進行高通量設計原位化學實驗。

參考文獻

Zhang, S., Mako?, M.Z., Jadrich, R.B. et al. Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential. Nat. Chem. (2024)

DOI: 10.1038/s41557-023-01427-3

https://www.nature.com/articles/s41557-023-01427-3