DP还能干这个？ 深度剖析DP-GEN+ 增强采样在溶液中化学反应的应用
3月24日，题为Using Metadynamics to Build Neural Network Potentials for Reactive Events: the Case of Urea Decomposition in Water的论文在Catalysis Today发表。这篇工作提出了将增强采样方法和DP-GEN 有效结合，实现对溶液中复杂反应体系的模拟[1]。下面就由DP君来为大家详细介绍这篇工作的精彩内容，并在文末给出该工作对应的DP-GEN代码的简要解读。
研究溶液中化学反应是反应机理研究领域的一大热点和难点。溶剂分子对反应的影响极其复杂，甚至可能直接参与反应中心，并且反应过程中伴随着化学键的形成和断裂。目前，从头算分子动力学（AIMD，ab-inito Molecular Dynamics）模拟是研究这类体系的最佳工具。它以与反应物同等的计算精度来采样溶剂分子对反应体系的影响，使得任一溶剂分子均可作为反应物参与反应中心。然而，AIMD计算非常昂贵，极大的限制了其在更大的空间以及时间尺度上进行采样。
此外，化学反应需要克服比较高的反应能垒，属于稀有事件体系。研究这类体系，需要长时间（毫秒以上）的MD模拟。然而，即使采用最廉价的经典分子力场方法，目前我们能承受的计算尺度也只能达到微秒级别。
考虑到上述限制，同时保留AIMD的准确性，这篇工作拟采用DP模型来研究溶液中化学反应。
DP-GEN + 增强采样：构建稀有事件体系的DP势函数
有效收集数据集（训练集）是构建DP模型至关重要的一步。为了提升了数据集的质量和构建效率，DP团队开发了DP-GEN方法[2]， 基于Concurrent learning算法，以力的模型偏差 （force model deviation）为标准在DP模拟中实时地自动对数据集进行了扩充。对于稀有事件体系，平衡态之间的转变需要经历远离平衡态附近的活性结构（如过渡态，TS）。这些结构由于能高，出现概率非常小，如何充分收集这些活性结构是构建稀有事件体系DP模型的一个难点。
最近， Michele Parrinello 课题组[3-4]提出并证明增强采样方法可以有效地解决活性结构的采样问题。然而，对于溶液中的化学反应，体系非常复杂。如这篇工作中研究的尿素在水溶液中的水解，其中涉及了多种可能的中间体、过渡态和反应路径，并且其中某些结构或路径的构像空间是未知的。对于这类体系，采用传统（手动）方法很难实现对相关构像空间的有效搜索。
受启发于Michele Parrinello的工作，作者将DP-GEN 和WT-MetaD增强采样方法有效结合，实现了自动构建尿素分子在水溶液中的水解的DP模型。图1 是DP模型构建的流程图。对比反应物，产物，增强采样的AIMD和DP-GEN的构像空间（图2），作者发现WT-MetaD对搜索整个反应路径的构像空间极其重要，且 DP-GEN + WT-MetaD可以探索到比AIMD + WT-MetaD更大、更全的构像空间。
图1 DP模型构建的流程图
图2 训练集（DP-GEN + WTMetaD），AIMD + WTMetaD，反应物和产物在集合变量空间的分布
尿素水解的模拟结果
得益于DP模型的高计算效率（比传统的DFT计算快好几个数量级），作者在不同温度条件下（300 ~ 500 K）对尿素在水溶液中水解的势能面（free energy surfance）及其反应速率常数进行了全面的研究。
图3的结果表明尿素水解的反应机理不随温度的改变而该变， 其中两性离子中间体 (+NH3CONH-) A3发生C-N键的断裂生成产物B2是反应的决速步骤，这与以往的实验和计算结果是相吻合的。此外，作者还首次发现存在两条能垒相当的反应路径（酸性和碱性，图4）生成活性中间体A3。这一结果可以解释尿素分解速率对pH（2<pH<12）不敏感性的实验事实。
图5 给出了尿素水解的速率常数(kinetic rate)。DP模拟给出的速率常数和以往的计算值吻合，并且非常接近实验结果。通过阿伦尼乌斯公式，拟合不同温度下的速率常数，得到的活化能垒为127.9 ±1.7kJ‧mol-1.
图3 尿素在不同温度下水解的FES
图4 生成两性离子中间体A3的两条（酸性和碱性）可能反应路径。（a）: 反应路径示意图；（b）：最小能量反应路径（minimum free-energy pathways, MFEP）
图5 尿素在水溶液中水解的准一级速率常数于温度的函数关系
如何使用增强采样的DP-GEN
在最新版本的DP-GEN中（https://github.com/deepmodeling/dpgen/blob/master/examples/run/dp-lammps-vasp-et），可以通过关键词‘model_devi_plumed’来开启增强采样功能。其中，增强采样是调用PLUMED插件实现的。
与常规的DP-GEN计算相比，使用增强采样版本的DP-GEN时，用户只需额外准备一个PLUMED模板输入文件input.plumed。 该输入文件的设置与标准的PLUMED计算一致，同时还支持与DP-GEN传递参量，以便用户在不同中iterration中使用不同的参数。关于增强采样版本的DP-GEN的具体使用，请参考使用手册【DP系列教程-07】DP-GEN之增强采样。
参考文献
（滑动可查看全部内容）
[1].M Yang, L Bonati, D Polino, M Parrinello, Using metadynamics to build neural network potentials for reactive events: the case of urea decomposition in water, Ctalysis Today,(2021)
[2].Y Zhang, H Wang, W Chen, J Zeng, L Zhang, H Wang, E Weinan, DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy models, Computer Physics Communications, 253, 107206.
[3].L Bonati, M Parrinello, Silicon Liquid Structure and Crystal Nucleation from Ab Initio Deep Metadynamics, Physical review letters 121 (26), 265701.
[4].H Niu, L Bonati, PM Piaggi, M Parrinello, Ab initio phase diagram and nucleation of gallium, Nature communications 11 (1), 1-9
End
DP视角
化学反应模拟往往伴随稀有事件的发生，结合增强采样的DP-GEN有望更好地解决这一问题