Dissertation · 2023 · Open access
Force Field Parameterization in Molecular Simulation by Machine Learning Methods
theses.fr (ABES) · Published 19 October 2023 · DOI 10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c
In brief
“Force Field Parameterization in Molecular Simulation by Machine Learning Methods” is a 2023 dissertation by Gong Chen, published in theses.fr (ABES). OpenAlex counts 0 citations as of 15 November 2026. It is open access: the full text is free to read at theses.fr (ABES).
- Citations
- 0
- References
- 215
- Authors
- 1
Abstract
Paramétrisation des champs de force en simulation moléculaire par méthode d'apprentissage statistique La simulation de dynamique moléculaire permet de prédire les propriétés des matériaux, ce qui aide à la compréhension, à la recherche et au développement de nouveaux matériaux. Cependant, la précision des champs de force moléculaire a été une limitation depuis longtemps. Les champs de force traditionnels attribuent des paramètres selon des combinaisons de types d'atomes discrets, ce qui encode toutes les informations sur l'environnement chimique de l'atome. Une plus grande précision nécessite davantage de types d'atomes, ce qui entraîne une prolifération de paramètres redondants et une faible transférabilité. Nous proposons d'utiliser des réseaux neuronaux graphiques pour traiter des graphes moléculaires dirigés et extraire des représentations atomiques continues, qui seront utilisées pour dériver des paramètres de champs de force directement. L'ensemble du cadre est appelé modèle de Graph-Based Force Fields (GB-FFs) et il est autorisé à apprendre directement à partir des énergies potentials et des forces atomiques. Dans le chapitre 1, nous utilisons initialement l'apprentissage automatique pour prédire les paramètres d'interpolation polynomiale, démontrant que les réseaux neuronaux peuvent gérer efficacement des tâches de paramétrisation simples. Dans le chapitre 2, nous représentons les molécules sous forme de chaînes et utilisons des modèles de traitement du langage naturel pour extraire des empreintes moléculaires. Dans le chapitre 3, nous introduisons les réseaux d'attention de graphe dirigés pour traiter les graphes moléculaires dirigés, extraire des empreintes moléculaires et prédire les propriétés moléculaires. Dans le dernier chapitre, en nous appuyant sur les modèles des chapitres précédents, nous proposons le modèle GB-FFs, qui permet la paramétrisation des champs de force de bout en bout. Nos méthodes ont été démontrées comme une approche fiable pour optimiser et accélérer la paramétrisation des champs de force moléculaire. Actuellement, le modèle GB-FFs a été testé et validé sur le General AMBER Force Field (GAFF). À l'avenir, il pourra facilement être étendu et appliqué à d'autres champs de force également.
Cite this paper
Formatted from the catalogue record. Check names, capitals and page numbers against the paper before you submit.
APA 7
Chen, G. (2023). Force Field Parameterization in Molecular Simulation by Machine Learning Methods. theses.fr (ABES). https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c
MLA 9
Chen, Gong. “Force Field Parameterization in Molecular Simulation by Machine Learning Methods.” theses.fr (ABES), 2023. https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c.
Chicago
Chen, Gong. 2023. “Force Field Parameterization in Molecular Simulation by Machine Learning Methods.” theses.fr (ABES). https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c.
Harvard
Chen, G. (2023) ‘Force Field Parameterization in Molecular Simulation by Machine Learning Methods’, theses.fr (ABES). doi:10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c.
IEEE
G. Chen, “Force Field Parameterization in Molecular Simulation by Machine Learning Methods,” theses.fr (ABES), 2023, doi: 10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c.
BibTeX
@phdthesis{chen2023force,
title = {{Force Field Parameterization in Molecular Simulation by Machine Learning Methods}},
author = {Chen, Gong},
year = {2023},
doi = {10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c},
url = {https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c}
}
Download for a reference manager: BibTeX (.bib) · RIS for Zotero, Mendeley and EndNote (.ris)
Topic and keywords
Physical Sciences › Materials Science › Materials Chemistry › Machine Learning in Materials Science
- force field parameterization
- graph neural networks
- graph attention networks
- molecular fingerprints
- molecular property prediction
- polynomial interpolation
- GAFF
- molecular dynamics simulation
Work with this paper
Most-cited papers in Materials Science
- Electric Field Effect in Atomically Thin Carbon FilmsKostya S. Novoselov, Andre K. Geim, Sergey V. Morozov and 5 more · Science · 2004 · 67,474 citations
- Revised effective ionic radii and systematic studies of interatomic distances in halides and chalcogenidesROBERT D. SHANNON · Acta Crystallographica Section A · 1976 · 66,944 citations
- Ab initio molecular dynamics for liquid metalsGeorg Kresse, J. Häfner · Physical review. B, Condensed matter · 1993 · 46,320 citations
- Helical microtubules of graphitic carbonSumio Iijima · Nature · 1991 · 43,639 citations
- The rise of grapheneAndre K. Geim, Kostya S. Novoselov · Nature Materials · 2007 · 40,328 citations
Questions about this paper
How do I cite this paper in APA style?
Chen, G. (2023). Force Field Parameterization in Molecular Simulation by Machine Learning Methods. theses.fr (ABES). https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c
How many times has this paper been cited?
0 times, according to OpenAlex on 15 November 2026. Google Scholar and Scopus count different sets of sources, so their numbers differ.
Is this paper free to read?
Yes. It is open access: read the free full text at theses.fr (ABES).
Who wrote this paper?
Gong Chen.
What is the DOI of this paper?
10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c. The permanent link is https://doi.org/10.70675/adedece5ze1cez4ae8z95c1z816d3e5e0d8c.
Bibliographic data from OpenAlex (CC0), last checked 15 November 2026. ResearchGuru does not host this paper; the links go to the publisher or the repository that does.