Sviluppo di un force field reattivo basato sul deep learning per l'autoionizzazione dell'acqua

The simulation of autoionization of water is a challenging problem for computational chemists. First of all, it is a rare event since it is known that one water molecule dissociates within 11 hours. This time is far too long to investigate for any molecular dynamics simulation. Furthermore, computational chemists are obliged to use ab initio molecular dynamics since classical force field are generally non reactive. This limits further the time and the system size that can be simulated. Luckily enough, Deep Learning is providing a strategy to develop reactive force fields with ab initio accuracy for the study and the convergence of thermodynamical and kinetics properties. In 2007, Behler and Parrinello pioneered this field but many other neural networks have been proposed during the years, such as the Deep Potential Molecular Dynamics scheme by Zhang and E, which is increasingly becoming popular, also for simulating water. The aim of this thesis is to develop a deep learning based reactive force field to study the autoionization of water and converge the estimation of the equilibrium constant of the process. To do so, the recent On-the-fly Probability Enhanced Sampling method for studying rare events and an efficient set of newly developed collective variables for acid-base equilibria are used.

La simulazione dell’autoionizzazione dell’acqua è un problema impegnativo per i chimici computazionali. Innanzitutto, è un evento raro poiché è noto che una molecola d’acqua si dissocia in circa 11 ore. Questa scala temporale è troppo estesa per essere investigata con una simulazione di dinamica molecolare. Inoltre, i chimici computazionali sono obbligati ad usare la dinamica molecolare ab initio, siccome i force field classici sono generalmente non reattivi. Ciò limita ulteriormente il tempo e le dimensioni del sistema che possono essere simulati. Per fortuna, il Deep Learning sta fornendo una strategia per sviluppare dei force field con la stessa accuratezza dei potenziali ab initio da impiegare per lo studio e la convergenza delle proprietà termodinamiche e cinetiche. Nel 2007, Behler e Parrinello sono stati pionieri in questo campo ma negli anni sono state proposte molte altri reti neurali, come lo schema Deep Potential Molecular Dynamics di Zhang e E, che sta diventando sempre più popolare, anche per la simulazione dell’acqua. Lo scopo di questa tesi è di sviluppare un force field con tecniche di Deep Learning per studiare l’autoionizzazione dell’acqua e far convergere la stima della costante di equilibrio del processo. Per fare ciò, vengono utilizzati il recente metodo On-the-fly Probability Enhanced Sampling per lo studio degli eventi rari e un set molto efficiente di variabili collettive per gli equilibri acido-base.