Development and application of force fields for molecular simulations

Simulationen weicher Materie umfassen ein breites Spektrum von Anwendungen, wie z. B. die Modellierung von Biomolekülen, Polymeren und Materialien für die organische Elektronik. Um die Längen- und Zeitskalen relevanter Phänomene zu erreichen, werden die Wechselwirkungen in diesen Systemen üblicherweise durch recheneffiziente analytische Kraftfelder berechnet. Ein Teil dieser Arbeit beschreibt eine Beispielanwendung für die kraftfeldbasierte Modellierung von amorphen organischen Halbleitern. Der konventionelle Kraftfeldansatz führt jedoch Parameter ein, die aus für das betrachtete Molekül geeigneten Parametersätzen zugewiesen werden müssen. ... mehrVor allem aufgrund der einfachen Funktionsausdrücke für die nicht-kovalenten Wechselwirkungen erfordert das Verfahren zur Bestimmung dieser Parametersätze empirische Zielwerte, die nicht immer verfügbar sind. Bottom-up-Ansätze, wie z. B. Bottom-up-Kraftfelder mit festen Funktionsausdrücken oder Potentiale basierend auf neuronalen Netzen, zielen darauf ab, die experimentellen Daten durch Ergebnisse aus ab initio Rechnungen zu ersetzen. Für die Anwendung in umfangreichen Molekulardynamiksimulationen weisen diese Methoden noch offene Herausforderungen auf. Feste Funktionsausdrücke leiden unter einer begrenzten Flexibilität, die ab initio Potentialenergieoberfläche zu reproduzieren und erfordern manuelle Typdefinitionen, um die Anzahl der Parameter zu reduzieren. Potentiale, die auf neuronalen Netzen basieren, verbessern beide Aspekte, aber ihre hohen Rechenanforderungen begrenzen die zugänglichen Längen- und Zeitskalen.

In dieser Arbeit wird ein neuartiger Bottom-up-Ansatz zur Modellierung nicht-kovalenter Wechselwirkungen vorgestellt, der für großskalige Simulationen konzipiert ist. Das Konzept effizienter additiver Wechselwirkungen wird mit der Flexibilität künstlicher neuronaler Netze für die Interpolation verschiedener chemischer Zusammensetzungen und geometrischer Anordnungen kombiniert. Die Anwendung des Modells wird in Molekulardynamiksimulationen demonstriert, und der Vergleich der berechneten thermodynamischen Eigenschaften mehrerer kleiner organischer Moleküle mit experimentellen Daten und konventionellen Kraftfeldern zeigt eine vielversprechende Vorhersageleistung. Zusätzlich bewahrt das Modell die Energiezerlegung in physikalisch motivierte Komponenten, die von der symmetrieangepassten Störungstheorie, die für die ab initio Referenzrechnungen verwendet wird, bereitgestellt wird. Diese Trennbarkeit und die Unabhängigkeit von empirischen Daten machen dieses Modell potenziell nützlich für zukünftige Materialdesign-Anwendungen.

Soft matter simulations include a wide range of applications, such as modeling biomolecules, polymers, and organic electronics materials. In order to achieve the length and time scales of relevant phenomena, the interactions in these systems are commonly calculated by computationally efficient analytical force fields. One part of this work describes an example application for force field based modeling of amorphous organic semiconductors. However, the conventional force field approach introduces parameters that have to be assigned from parameter sets suitable for the considered molecule. ... mehrMainly due to the simple function expressions for the non-covalent interactions, the fitting procedure for obtaining these parameter sets requires empirical target values, which are not always available. Bottom-up approaches, such as bottom-up force fields with fixed function expressions or neural network potentials, aim to replace the experimental data with results from ab initio calculations. For the application in large-scale molecular simulations, these methods still exhibit open challenges. Fixed function expressions suffer from limited flexibility to reproduce the ab initio potential energy surface and require manual type definitions to reduce the number of parameters. Neural network potentials improve both issues, but their high computational requirements limit the accessible length and time scales.

In this work, a novel bottom-up approach for modeling non-covalent interactions is presented, designed for large-scale simulations. The concept of efficient additive interactions is combined with the flexibility of artificial neural networks for the interpolation of different chemical configurations and geometric arrangements. The application of the model is demonstrated in molecular dynamics simulations, and the comparison of calculated thermodynamic properties of several small organic molecules with experimental data and conventional force fields reveals a promising predictive performance. Additionally, the model preserves the energy decomposition into physically motivated components provided by the symmetry-adapted perturbation theory used for the ab initio reference calculations. This separability and the independence from empirical data make this model potentially useful for future material design applications.