前言：
当前看官们对“势能函数怎么求”大概比较珍视，我们都需要学习一些“势能函数怎么求”的相关知识。那么小编也在网摘上网罗了一些对于“势能函数怎么求””的相关知识，希望姐妹们能喜欢，你们快快来学习一下吧！分子体系的势能函数是多维空间中一个超曲面，具有非常复杂的形貌。它有一个最低点，全局极小点和大量的局部极小点。在这些点上，势能函数对所有坐标的导数为零，对所有坐标的二阶导数都是非负的。在局部极小值之间有鞍点，通过这些点，体系可以从一个局部极小值到转移到另一个局部极小值。
拥有所有局部极小点，包括全局最小点和所有鞍点的信息，我们就可以描述有关的结构和构象，它们的自由能，以及结构转化的动力学。由于构型空间的维数和局部极小点的数目非常多，我们不可能进行足够的采样来获得全部的信息。
给定一个初始构型，可以找到它的最近极小点。“最近”在这里并不总是意味着结构意义上的“最近”，而是指可以通过系统地沿着局部梯度最速方向往下移动能够到达的极小点。
如果希望在此过程中找到全局极小点，最好尝试下温度耦合的MD，先在高温下模拟体系一段时间，然后慢慢下降到所需的温度，并不断重复这一过程。如果存在熔点或玻璃化转变温度，可以先在稍低于该温度的条件下模拟一段时间，再使用某些聪明的方案慢慢降温，这样的过程被称为模拟退火。
GROMACS采用的最速下降法，它只是简单地沿力的方向前进，而不考虑前面的已有的任何步骤。搜索过程中，步长可以进行调整，以便使搜索快速进行，但搜索永远沿着能量减小的方向。这种方法它的收敛速度可能相当慢，特别是处于局部极小值附近时。收敛更快的共轭梯度法使用了前面步骤的梯度信息，一般情况下，最速下降法能够很快地接近最近极小点，而共轭梯度法能够非常接近局部极小点，但当远离极小点时效果较差。因此来说，我们通常是可以采用一般进行能量最小化时,先用最速下降法迅速优化分子结构,再继续用共轭梯度法优化,直至收敛为止。
版权声明：
本站文章均来自互联网搜集，如有侵犯您的权益，请联系我们删除，谢谢。
标签： #势能函数怎么求
