Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Reply to comment to “关于高斯计算精度参数的常见误解”

Reply to comment to “关于高斯计算精度参数的常见误解”

作者头像
用户7592569
发布于 2022-01-25 05:11:59
发布于 2022-01-25 05:11:59
8950
举报
文章被收录于专栏:量子化学量子化学

前日发表了关于高斯计算精度参数的一些自己的测试和理解,意外受到了不少的关注,甚至知名博主sob也写了一个comment提出了一些相反意见[1],因此今天在这里做一些澄清。

首先,我必须要向大家道歉,在测试int=ultrafine关键词的过程中我犯了一个愚蠢的错误,把G09+ultrafine和G16的结果弄反了,也就是说int=ultrafine在测试体系中并没有体现出对G16的任何影响。

C5H10 (TS)

虚频/cm-1

G09+ultrafine

-16.46

G16

-15.81

之所以引起这个问题,是因为笔者之前阅读高斯官网时在integral[2]和CPHF[3]的页面都发现了:When a specific grid is specified to the Int=Grid=grid-name option, then that grid is also used for the CPHF.(注:CPHF是freq任务中用到的算法)

也就是说用Int=grid=grid-name会自动传递到cphf=grid=grid-name,但事实上在G16中并非如此。Sob博主指出:cphf的格点需要用cphf=grid=fineness来指定。笔者受官方手册误导,测试时先入为主又犯了错,导致了错误的结论,我感到非常抱歉。

不过既然sob博主指出了cphf的格点需要用cphf=grid=fineness来指定,这里不妨重新测试一下不同格点对freq的影响。这里以sob博主优化得到的过渡态结构为基础,固定结构做单点频率计算,测试结果如下:

C5H10 (TS)

Gibbs自由能/a.u.

最小频率/cm-1

G09默认

-196.408228

36.75

G16默认

-196.406373

-19.47

G16+cphf=grid=fine

-196.406390

-21.37

G16+cphf=grid=ultrafine

-196.406389

-21.66

因此cphf的积分格点几乎不影响Gibbs自由能,对频率的数值有微小的影响。然而积分格点的增加确实会显著增加freq的计算量,所以除非特别在意频率数值,否则无需添加cphf=grid=ultrafine。另一方面,可以看到G16下cphf=grid=fine得到的虚频已经与cphf=grid=ultrafine误差小于1 cm-1,十分接近;即使用默认的SG1格点也还行。而G09的频率默认格点则会带来较大的误差,而且是定性的错误,自由能也因此有了可观的差别。

至于opt=tight的问题,我原义是对柔性较大的分子建议采用opt=tight增加结构的精度,没有让大家把opt=tight变成默认选项,也说了想节省机时可以酌情添加。原文中给出的对称分子的例子也只是一个引子,并不是一个最恰当的例子。事实上,原文想强调的核心思想是“在计算遇到问题的时候切勿盲目自信G16默认算的足够准了”,而“对于不了解计算过程的细节、不会根据报错进行debug的大部分用户而言”较高的计算精度“可以在一定程度上减少意料之外的问题出现的可能性”。这主要是考虑到有经验的计算者会根据输出文件和化学常识判断一个结构是否正确,但部分人习惯于套用输入文件模板而不会寻找有效报错信息和错误原因,最后盲目使用得到的结果。当然,笔者知道没有人想增加不必要的计算量,正因为如此才需要有人提醒“费时但不容易出问题”和“基本够用但有出错的可能性”之间存在的平衡,而笔者周围又有不止一人遇到过opt与opt=tight结果大相径庭的例子,因此觉得有必要提醒一下潜在的问题。

References

[1] http://bbs.keinsci.com/thread-27459-1-1.html

[2] https://gaussian.com/integral

[3] https://gaussian.com/cphf

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-01-17,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量子化学 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
关于高斯计算精度参数的常见误解
正常量化计算中,我们关心的无非就是体系的能量和结构,因此了解这两者计算的精度对把握计算可能存在的误差十分重要。在G09时代,高斯部分默认的参数不够精确,而G16把默认精度提高了一部分,这导致大家容易认为G16的默认精度参数足够了。
用户7592569
2022/01/25
4.2K0
MECP简介(3)——实例分享
O3的基态是单重态(事实上是一个单重态双自由基),三重态略高于单重态(约20 kcal/mol),键长键角都略有不同。
用户7592569
2020/07/27
2.8K2
MECP简介(3)——实例分享
谈谈Gaussian软件中的guess=mix
笔者经常碰到小伙伴在用Gaussian软件计算涉及自由基的反应时,不清楚何时该加关键词guess=mix,何时不该加;也可能会有师兄/老师这样告诉新手:碰到自由基一律用guess(mix,always)。前者可能量化基础不扎实,碰到这类问题不懂;后者则可能缺乏实际计算经验。趁假期有空,正好写上一篇,详细解释一下。当然,笔者写的绝对不是标准答案,只能力求合理性和正确性,仅供对这个问题不清楚的小伙伴们参考。
用户7592569
2020/07/27
3.8K0
谈谈Gaussian软件中的guess=mix
NMR化学位移和耦合常数计算简介
本文简单介绍一下怎么用高斯的DFT计算NMR化学位移和耦合常数,以及如何在GaussView里观看计算生成的图谱。计算和可视化所用的软件分别是G16 A.03, GV 6.0.16。
用户7592569
2021/12/28
6.9K1
NMR化学位移和耦合常数计算简介
自动做多参考态计算的程序MOKIT
本公众号之前发过几篇多组态(multi-configurational)方法的介绍:
用户7592569
2021/01/04
2.4K0
自动做多参考态计算的程序MOKIT
在Gaussian16中同时扫描两个反应坐标
是依次扫描两个坐标,无法做到同时,因此得到的是一张二维势能面,总扫描点数是两个坐标扫描点数的乘积,计算量较大。然而有时候我们只想同时扫描两个反应坐标,即两个坐标同时改变,得到一条曲线。
用户7592569
2020/07/27
3.3K1
在Gaussian16中同时扫描两个反应坐标
ONIOM计算(一):简介
ONIOM(our Own N-layer Integrated molecular Orbital molecular Mechanics)方法是由已故量子化学家Keiji Morokuma等人提出的一种用于大体系计算的杂化方法,它可以对体系的不同部分用不同的计算级别处理,例如对化学上比较关心的成键、断键区域用较高水平的计算方法,对周围环境用较低水平的方法。如果两者分别为量子力学QM和分子力学MM方法,这时候就是一种QM/MM方法。当然,在ONIOM方法中,可以是任意的方法的组合,两层可以都是QM方法。原理上来说,ONIOM方法可以将体系分成n层,而实际计算中一般将体系分成2层或3层。以下我们以两层ONIOM(记为ONIOM2)方法为例,简单说明ONIOM方法的原理,关于三层ONIOM以及更详细的方法原理可参看相关文献,如DOI: 10.1002/wcms.85
用户7592569
2022/09/02
2.5K0
ONIOM计算(一):简介
PyAmesp——Amesp与ASE的联姻
最近,张英峰博士发布了国产量子化学程序Amesp。为了进一步降低程序使用的门槛并弥补一些功能上的短板,我们尝试为Amesp增加一个接口程序——PyAmesp,通过ASE (Atomic Simulation Environment)调用Amesp进行理论计算,实现Amesp与ASE的集成与“联姻”。本文将给出PyAmesp的安装过程,并对ASE做简要介绍,随后展示利用ASE调用Amesp进行结构的优化与过渡态的计算。(注:本文适合具备一定Python和ASE基础的读者,如果您对ASE及其使用方法不熟悉,可以登录ASE官网https://wiki.fysik.dtu.dk/ase/获取更多信息。)
用户7592569
2023/10/16
4530
PyAmesp——Amesp与ASE的联姻
第十届“泰迪杯“感谢学习总结
特别补充: 泰迪杯报名参赛后,一定要利用好官网资源!泰迪云中对参赛选手基础给予了全免费的教程,可以学到对于需要用到知识的大部分基础,从python基础到数据集可视化,tensorflow sklearn建模,以及赛题分析,论文写作也有教程,在官网资源库中也有历年的特等奖论文进行参考,一定好利用好这部分资源。
计算机魔术师
2022/08/20
1K0
第十届“泰迪杯“感谢学习总结
用ORCA计算旋轨耦合矩阵元
旋轨耦合的理论涉及相对论量子力学,此处仅以定性的形式粗略介绍相关背景。相对论效应是指进行电子结构计算时Dirac方程与Schrödinger方程这两个理论模型之间的差别。Dirac于1928年建立了电子运动的相对论方程——Dirac方程,但是Dirac本人却认为在化学问题中,价电子受内层电子的屏蔽,其运动速度比光速小很多,相对论效应很小。但在后来的研究中,人们逐渐认识到相对论效应的重要性。自旋-轨道耦合(spin-orbit coupling, SOC),简称旋轨耦合,是一种相对论效应,指电子的自旋和轨道运动之间的相互作用。在非相对论量子力学中,自旋态改变的跃迁是禁阻的;当考虑旋轨耦合时,这样的过程才能发生,比如系间窜越(intersystem crossing, ISC)、磷光发射等过程。在《用高斯计算磷光发射能》一文中我们提到,用TD-DFT直接计算T1和S0之间的跃迁,得到的振子强度始终为0,只有当考虑旋轨耦合后,振子强度才不为0。
用户7592569
2021/08/10
3.7K1
用ORCA计算旋轨耦合矩阵元
用Gaussian 16计算振动分辨的紫外-可见吸收光谱
分子在电子态之间的跃迁是极其快速的过程(飞秒量级),比分子的振动周期(皮秒量级)快得多。因此,在电子态跃迁的瞬间,分子中原子核的运动可认为跟不上电子态的变化,分子的核间距保持不变,体现在势能面上就是垂直跃迁,如下图所示,这称为Frank-Condon原理。
用户7592569
2020/09/01
14.2K3
用Gaussian 16计算振动分辨的紫外-可见吸收光谱
视觉双稳态感知的神经递质机制
Bistable perception, precision and neuromodulation
CreateAMind
2024/04/19
1680
视觉双稳态感知的神经递质机制
使用UniMoVib进行GSVA广义子系统振动分析
简谐振动分析(harmonic vibrational analysis) 是量子化学计算中一项常用的技术手段。一方面,这种振动分析可以给出红外、拉曼等振动光谱。在最常用的高斯程序中,指定关键词freq则可以进行简谐振动分析。如果加上谐振频率校正因子,计算得到的振动频率可以更接近实验测量频率值。相关内容可参见《红外光谱的理论计算》一文。因此简谐振动分析可以以一个较低的计算代价得到质量还不错的振动光谱,但如果需要更精确的振动光谱,则需要考虑非谐振效应。另一个方面,简谐振动分析可以帮助我们确定结构优化过的体系在势能面上驻点(stationary point)的性质。假如振动分析得到的振动频率都是正值,那么此时体系位于能量局部极小点处。假如分析得到的振动频率有一个是虚频而其余都是正值,说明此时体系在一个鞍点上(即反应过渡态)。
用户7592569
2021/06/16
7790
使用UniMoVib进行GSVA广义子系统振动分析
激发态计算中的溶剂效应
已经有不少小伙伴在催更,非常感谢大家的支持,也有了更新的动力。关于隐式溶剂模型的介绍,可参见《理论计算中的溶剂效应模型》一文。本文着重介绍在激发态计算中使用隐式溶剂模型时的相关要点,为后面介绍荧光和磷光的计算打个基础。
用户7592569
2020/07/27
2.6K0
激发态计算中的溶剂效应
情绪的机制分析
Deeply felt affect- the emergence of valence in deep active inference
CreateAMind
2024/03/07
2080
情绪的机制分析
每个问题的答案都是贝叶斯模型比较,假设竞争
事实上,人们常说,每个问题的答案都是贝叶斯模型比较。 这个观念有其深刻的道理。 从某种意义上说,任何问题——可以用相互竞争的假设来提出——只能通过诉诸这些假设的证据来回答。 换句话说,任何问题的答案都归结为假设或模型证据的比较,隐含在贝叶斯因子的使用中,或日志证据的差异
CreateAMind
2024/04/11
2090
每个问题的答案都是贝叶斯模型比较,假设竞争
MSLTNet开源 | 4K分辨率+125FPS+8K的参数量,怎养才可以拒绝这样的模型呢?
智能手机摄像头的普及使人们像摄影师一样捕捉日常生活场景。然而,快门速度、焦距光圈比和/或ISO值设置不准确可能导致捕捉到的照片曝光不正确,视觉质量下降。为了以视觉上可取的方式正确调整照片曝光,对于边缘设备开发高效的曝光校正方法至关重要。
集智书童公众号
2023/11/27
5090
MSLTNet开源 | 4K分辨率+125FPS+8K的参数量,怎养才可以拒绝这样的模型呢?
机器学习6:集成学习--boosting(AdaBoost)与GBDT
GBDT相关知识模块:前向分布算法,负梯度拟合,损失函数,回归,二分类,多分类,正则化。
用户5473628
2019/08/08
2.3K0
机器学习6:集成学习--boosting(AdaBoost)与GBDT
ASI 8年计划 paper6 图网络大脑: 信念传播和主动推理
《The graphical brain: Belief propagation and active inference》
CreateAMind
2024/03/06
1730
ASI 8年计划 paper6 图网络大脑: 信念传播和主动推理
Elasticsearch常见面试题
ES是一种存储和管理基于文档和半结构化数据的数据库(搜索引擎)。它提供实时搜索(ES最近几个版本才提供实时搜索,以前都是准实时)和分析结构化、半结构化文档、数据和地理空间信息数据。
鱼找水需要时间
2023/12/20
4400
Elasticsearch常见面试题
相关推荐
关于高斯计算精度参数的常见误解
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档