标题： 复杂化学系统的自由能计算的神经网络代理模型 显示英文标题

标题： Neural Network Surrogates for Free Energy Computation of Complex Chemical Systems

摘要： 自由能重构方法，如高斯过程回归（GPR），需要集体变量（CVs）的雅可比矩阵，这是一个限制复杂或机器学习CVs使用的问题。 我们引入了一个神经网络代理框架，该框架直接从笛卡尔坐标学习CVs，并使用自动微分提供雅可比矩阵，绕过了解析形式。 在MgCl2离子对系统中，我们的方法对于简单的距离CV和复杂的配位数CV都实现了高精度。 此外， 雅可比误差也遵循近似高斯分布，使其适用于GPR流程。 该框架使基于梯度的自由能方法能够包含复杂和机器学习的CVs，拓宽了生物化学和材料模拟的范围。 显示英文摘要

摘要： Free energy reconstruction methods such as Gaussian Process Regression (GPR) require Jacobians of the collective variables (CVs), a bottleneck that restricts the use of complex or machine-learned CVs. We introduce a neural network surrogate framework that learns CVs directly from Cartesian coordinates and uses automatic differentiation to provide Jacobians, bypassing analytical forms. On an MgCl2 ion-pairing system, our method achieved high accuracy for both a simple distance CV and a complex coordination-number CV. Moreover, Jacobian errors also followed a near-Gaussian distribution, making them suitable for GPR pipelines. This framework enables gradient-based free energy methods to incorporate complex and machine-learned CVs, broadening the scope of biochemistry and materials simulations.