【机器学习势能（MLPs）】第六章 高级应用与前沿方向 一

目录

6.1 反应体系与化学动力学

6.1.1 反应性机器学习势能（RMLP）

6.1.1.1 键断裂与形成的显式处理

6.1.1.2 反应路径采样与过渡态搜索

6.1.1.3 反应速率常数的计算与验证

6.1.2 增强采样与自由能计算

6.1.2.1 元动力学与伞形采样的MLP加速

6.1.2.2 自由能微扰（FEP）与热力学积分

6.1.2.3 机器学习辅助的稀有事件采样

6.1 反应体系与化学动力学

6.1.1 反应性机器学习势能（RMLP）

反应性机器学习势能代表了计算化学领域处理化学键断裂与形成过程的重大进展。传统力场依赖于固定的拓扑连接关系，无法描述反应过程中化学键的动态变化。RMLP通过从量子力学计算中学习能量-结构映射，构建能够连续描述从反应物到产物整个势能面的连续函数表示。这类势能函数不预设原子间的连接关系，而是基于局部原子环境的几何特征进行能量预测，从而自然支持化学键的断裂与形成。

当前主流的RMLP架构主要采用等变图神经网络框架，通过消息传递机制捕获原子间的多体相互作用。与常规机器学习势能不同，