Molekulare Simulation und Multiskalenmodellierung – Molekulardynamik, Monte Carlo, Quantenchemie, QM/MM und maschinell gelernte Potentiale

Titelbild: Eigene Illustration einer molekulardynamischen Simulationszelle und einer Multiskalenleiter von Quantenmechanik über klassische Molekülmodelle bis zum Kontinuum.

Molekulare Simulation übersetzt physikalische Modelle in numerische Experimente. Sie verfolgt Atome, Moleküle, Elektronen oder grobkörnige Teilchen, erzeugt statistische Ensembles und verbindet mikroskopische Bewegungen mit messbaren Größen wie Druck, Diffusion, Spektrum, Reaktionsbarriere oder Elastizitätsmodul.

Keine Simulationsmethode beschreibt alle Längen- und Zeitskalen gleichzeitig. Elektronenstrukturmethoden erfassen Bindungsbruch, sind aber teuer. Klassische Molekulardynamik erreicht größere Systeme und längere Zeiten, setzt jedoch ein Kraftfeld voraus. Coarse-Graining entfernt Freiheitsgrade, erweitert den zugänglichen Skalenbereich und verändert dabei Dynamik und Entropie. Kontinuumsmodelle behandeln schließlich Felder statt einzelner Moleküle.

Die zentrale Modellierungsfrage lautet deshalb nicht: Welche Methode ist die beste? Sondern:

Welche Freiheitsgrade, Genauigkeit und Zeitskala benötigt die konkrete physikalisch-chemische Frage?

Abschluss des Kurses: Teil 20 verbindet Reaktionsdynamik, statistische Mechanik, Elektrochemie und weiche Materie mit computergestützten Modellen. Am Ende folgt eine Gesamtsynthese von Physikalische Chemie III sowie ein abschließendes Prüfungstraining.

Lernziele

Nach diesem Beitrag kannst du:

• Modell-, Diskretisierungs-, Stichproben- und statistische Fehler unterscheiden,
• klassische Kraftfelder und ihre Energiebeiträge erklären,
• Newton-Gleichungen mit einem symplektischen Integrator fortschreiben,
• Zeitschritt, periodische Randbedingungen und Mindestbildkonvention beurteilen,
• NVE-, NVT-, NPT- und großkanonische Ensembles unterscheiden,
• Thermostate und Barostate physikalisch einordnen,
• Struktur-, Transport- und Thermodynamikgrößen aus Trajektorien bestimmen,
• Metropolis-Monte-Carlo und detailliertes Gleichgewicht anwenden,
• Autokorrelation und effektive Stichprobengröße berücksichtigen,
• freie Energien mit Umbrella Sampling und thermodynamischer Integration berechnen,
• Hartree–Fock, DFT, Basissätze und Elektronenkorrelation unterscheiden,
• QM/MM, Coarse-Graining und Kontinuumsmodelle koppeln,
• maschinell gelernte Potentiale und Active Learning kritisch bewerten,
• einen reproduzierbaren Multiskalenworkflow planen.

1. Simulation als numerisches Experiment

Eine Simulation besitzt wie ein Laborexperiment:

• ein System und kontrollierte Randbedingungen,
• eine Messvorschrift für Observablen,
• eine Kalibrierung beziehungsweise Parametrisierung,
• statistische Unsicherheit,
• systematische Fehler und begrenzte Auflösung.

Der Unterschied ist, dass das Modell vollständig bekannt ist. Dadurch kann man Größen verfolgen, die experimentell kaum direkt zugänglich sind. Gleichzeitig kann eine Simulation nur die Physik wiedergeben, die im Hamiltonoperator, Kraftfeld oder Kontinuumsmodell enthalten ist.

2. Vier Fehlerklassen

Fehlerklasse	Ursache	typische Kontrolle
Modellfehler	ungeeignetes Kraftfeld, Funktional oder grobkörniges Mapping	Vergleich mit Referenzdaten und alternativen Modellen
Diskretisierungsfehler	zu großer Zeitschritt, endliches Gitter, Cutoff	Konvergenzstudie gegen feinere Diskretisierung
Stichprobenfehler	zu kurze Trajektorie, seltene Übergänge	unabhängige Läufe, Blockmittel, erweitertes Sampling
Endlichkeitsfehler	zu kleine Zelle oder künstliche Periodizität	Systemgrößenstudie und analytische Korrekturen

3. Born–Oppenheimer-Potentialfläche

Viele molekulare Modelle beruhen auf der Born–Oppenheimer-Trennung. Elektronen passen sich näherungsweise instantan an die langsamere Kernbewegung an. Für jede Kernkonfiguration R entsteht eine elektronische Energie:

U(R)=E_el(R)+V_Kern–Kern(R)

Die Kräfte sind der negative Gradient:

F_i=−∇_iU(R)

Quantenchemie berechnet U direkt oder näherungsweise. Klassische Kraftfelder ersetzen sie durch parametrische Funktionen.

4. Klassische Molekulardynamik

In der Molekulardynamik werden die Newton-Gleichungen integriert:

m_id²r_i/dt²=F_i

Aus Anfangspositionen und -geschwindigkeiten entsteht eine Trajektorie im Phasenraum. Zeitmittel von Observablen können unter Ergodizitätsannahme Ensemblemitte repräsentieren.

5. Kraftfeldzerlegung

Ein typisches all-atom-Kraftfeld schreibt:

U=U_Bindung+U_Winkel+U_Torsion+U_{van der Waals}+U_Coulomb

Die Zerlegung ist nicht fundamental eindeutig. Sie ist eine Modellarchitektur, deren Parameter gemeinsam optimiert werden.

6. Bindungs- und Winkelterme

Kovalente Bindungen werden häufig harmonisch behandelt:

U_b=1/2k_b(r−r₀)²

Bindungswinkel analog:

U_θ=1/2k_θ(θ−θ₀)²

Die harmonische Näherung ist nahe dem Minimum gut, erlaubt aber keinen realistischen Bindungsbruch.

7. Torsionspotentiale

Rotationen um Bindungen werden oft periodisch beschrieben:

U_φ=Σ_nk_n[1+cos(nφ−δ_n)]

Torsionsparameter kontrollieren Konformationsverteilungen, Polymersteifigkeit, Proteinsekundärstruktur und Flüssigkeitseigenschaften.

8. Lennard–Jones-Potential

U_LJ(r)=4ε[(σ/r)¹²−(σ/r)⁶]

Der r⁻¹²-Term modelliert die steile Pauli-Abstoßung empirisch, der r⁻⁶-Term London-Dispersion. Das Minimum liegt bei:

r_min=2^1/6σ

mit U(r_min)=−ε.

9. Coulomb-Wechselwirkung

U_C(r)=q_iq_j/(4πε₀r)

Feste Partialladungen berücksichtigen Polarisation nur indirekt. Polarisierbare Kraftfelder enthalten induzierte Dipole, Drude-Oszillatoren oder ladungsvariable Modelle, sind aber teurer und schwieriger zu parametrisieren.

10. Mischungsregeln

Für ungleiche Atomtypen werden häufig Lorentz–Berthelot-Regeln verwendet:

σ_ij=(σ_i+σ_j)/2

ε_ij=√(ε_iε_j)

Sie sind Konventionen, keine Naturgesetze. Spezifische Paarparameter können erforderlich sein, etwa für Ionen, Metalle oder stark assoziierende Flüssigkeiten.

11. Integratoren

Ein Integrator approximiert die kontinuierliche Bewegung durch diskrete Schritte. Velocity-Verlet ist verbreitet:

r(t+Δt)=r(t)+v(t)Δt+F(t)Δt²/(2m)

v(t+Δt)=v(t)+[F(t)+F(t+Δt)]Δt/(2m)

Er ist zeitumkehrbar und symplektisch. Dadurch bleibt die qualitative Hamilton-Dynamik über lange Zeiten besser erhalten als bei einfachen Euler-Verfahren.

12. Wahl des Zeitschritts

Δt muss die schnellste relevante Bewegung auflösen. Bei flexiblen Wasserstoffbindungen sind oft ungefähr 0,5 bis 1 fs nötig. Werden schnelle Bindungen durch SHAKE, LINCS oder ähnliche Zwangsbedingungen fixiert, sind häufig etwa 2 fs möglich.

Ein zu großer Zeitschritt erzeugt Energiedrift, instabile Geometrien und falsche Temperaturverteilungen.

13. Constraints und virtuelle Stellen

Zwangsbedingungen entfernen hochfrequente Freiheitsgrade. Virtuelle Stellen können leichte Atome geometrisch aus schwereren rekonstruieren und größere Zeitschritte ermöglichen.

Die Zahl der Freiheitsgrade muss bei Temperaturberechnung und Thermostatkopplung entsprechend korrigiert werden.

14. Initialisierung

Ein typischer Workflow umfasst:

1. Strukturaufbau und Protonierungszustände,
2. Solvatisierung und Ionen,
3. Energie-Minimierung,
4. sanfte Temperaturangleichung,
5. Druckequilibrierung,
6. Produktionslauf.

Eine minimierte Struktur ist kein thermisches Gleichgewicht. Ebenso beweist eine konstante Temperatur nicht, dass Dichte, Konformationen und Konzentrationsprofile equilibriert sind.

15. Periodische Randbedingungen

Periodische Randbedingungen umgeben die Simulationszelle mit identischen Kopien. Ein Teilchen, das eine Seite verlässt, tritt auf der gegenüberliegenden wieder ein.

Dadurch wird eine makroskopische Bulkphase mit endlich vielen Teilchen angenähert. Die Methode erzeugt jedoch künstliche räumliche Wiederholung.

16. Mindestbildkonvention

Für kurzreichweitige Wechselwirkungen verwendet man die nächstgelegene periodische Kopie. Bei einer orthogonalen Boxlänge L wird eine Koordinatendifferenz Δx auf den Bereich [−L/2,L/2) zurückgeführt.

Der Cutoff muss kleiner als die halbe kürzeste Boxlänge sein, wenn jedes Paar nur einmal gezählt werden soll.

17. Langreichweitige Elektrostatik

Coulomb-Wechselwirkungen fallen langsam ab. Ein bloßer harter Cutoff kann Struktur, Energie und Druck stark verfälschen.

Ewald-Summation und Particle-Mesh Ewald zerlegen die Wechselwirkung in kurzreichweitigen Realraum- und langreichweitigen reziproken Raumanteil.

18. Nachbarschaftslisten

Eine direkte Paarberechnung skaliert wie N². Zelllisten und Verlet-Listen beschränken die Berechnung auf nahe Paare und reduzieren den Aufwand für kurzreichweitige Potentiale näherungsweise auf lineare Skalierung.

Die Nachbarschaftsliste besitzt einen Puffer und muss aktualisiert werden, bevor Teilchen den Puffer durchqueren.

19. Mikrokanonisches Ensemble

Im NVE-Ensemble sind Teilchenzahl, Volumen und Energie konstant. Es eignet sich zur Kontrolle der Integrationsqualität und für ungestörte Dynamik.

Numerisch bleibt nicht die Energie auf jedem Schritt exakt konstant, sondern oszilliert um einen nahezu konstanten Wert. Systematische Drift deutet auf Zeitschritt-, Cutoff- oder Implementierungsprobleme.

20. Kanonisches Ensemble

Im NVT-Ensemble sind N, V und T fest. Ein korrektes Thermostat soll die kanonische Verteilung erzeugen, nicht nur den Mittelwert der kinetischen Temperatur einstellen.

Temperatur ist über die mittlere kinetische Energie mit den unabhängigen Freiheitsgraden f verknüpft:

⟨K⟩=f k_BT/2

21. Thermostate

Thermostat	Prinzip	Besonderheit
Berendsen	kontinuierliche Geschwindigkeitskopplung	schnelle Equilibrierung, aber falsche Fluktuationen
Andersen	zufällige Stoßereignisse	kanonisch, verändert reale Dynamik deutlich
Langevin	Reibung plus Zufallskraft	robust; Dynamik hängt von Reibungsparameter ab
Nosé–Hoover	erweiterte deterministische Dynamik	gute Dynamik, mögliche Ergodizitätsprobleme
Nosé–Hoover-Kette	gekoppelte Thermostatvariablen	bessere kanonische Stichprobe komplexer Systeme

22. Isotherm-isobares Ensemble

Im NPT-Ensemble sind N, p und T fest, während Volumen und Enthalpie fluktuieren. Es wird verwendet, um Gleichgewichtsdichte, thermische Ausdehnung und Kompressibilität zu bestimmen.

Barostate verändern Zellvolumen oder Zellvektoren. Eine zu starke Kopplung kann Dynamik verfälschen und künstliche Volumenschwingungen erzeugen.

23. Produktionslauf und unabhängige Replikate

Eine einzelne lange Trajektorie ist nicht immer besser als mehrere unabhängige Läufe. Replikate:

• zeigen Sensitivität gegenüber Anfangsbedingungen,
• erleichtern Fehlerabschätzung,
• erkennen gefangene metastabile Zustände,
• lassen sich parallel rechnen.

Die Equilibrierungsphase muss vor statistischer Auswertung entfernt werden.

Abbildung 1. Molekulardynamik kombiniert ein parametrisiertes Potential mit diskreter Zeitintegration. Periodische Randbedingungen approximieren Bulk-Materie; Thermostat, Barostat und Validierung bestimmen, welches Ensemble tatsächlich untersucht wird.

24. Struktur aus Trajektorien

Eine Trajektorie wird erst durch Observablen wissenschaftlich interpretierbar. Die radiale Verteilungsfunktion:

g_AB(r)=ρ_B(r)/ρ_B,bulk

misst die relative Wahrscheinlichkeit, ein B-Teilchen im Abstand r von A zu finden. Peaks zeigen bevorzugte Solvatations- oder Packungsabstände.

Die Koordinationszahl bis r_c lautet:

N_AB(r_c)=4πρ_B∫₀^r_cg_AB(r)r²dr

25. Diffusion aus der mittleren quadratischen Verschiebung

Im dreidimensionalen diffusen Langzeitbereich:

D=lim_t→∞⟨|r(t)−r(0)|²⟩/(6t)

Vor der linearen Region können ballistische Bewegung, Käfigeffekte oder Subdiffusion auftreten. Drift des Gesamtschwerpunkts und periodische Bildsprünge müssen korrekt behandelt werden.

26. Green–Kubo-Beziehungen

Transportkoeffizienten können aus Gleichgewichtsfluktuationen gewonnen werden. Für Diffusion:

D=1/3∫₀^∞⟨v(0)·v(t)⟩dt

Analog entstehen Viskosität aus Spannungsautokorrelation und Wärmeleitfähigkeit aus Wärmestromkorrelation. Lange Rauschschwänze machen die numerische Integration anspruchsvoll.

27. Thermodynamische Fluktuationen

In geeigneten Ensembles liefern Fluktuationen Antwortfunktionen. Beispielsweise im NPT-Ensemble:

κ_T=[⟨V²⟩−⟨V⟩²]/(k_BT⟨V⟩)

und im NVT-Ensemble:

C_V=[⟨E²⟩−⟨E⟩²]/(k_BT²)

Ein Thermostat oder Barostat, der falsche Fluktuationen erzeugt, verfälscht daher Antwortfunktionen selbst dann, wenn Mittelwerte plausibel erscheinen.

28. Monte-Carlo-Methode

Monte Carlo konstruiert eine Markov-Kette von Konfigurationen, deren stationäre Verteilung dem gewünschten Ensemble entspricht. Die Schritte müssen keine reale Zeitentwicklung darstellen.

Im kanonischen Metropolis-Verfahren wird aus Zustand x ein Vorschlag x′ erzeugt. Mit:

P_acc=min[1,exp(−βΔU)]

wird der Vorschlag akzeptiert oder verworfen, sofern die Vorschlagswahrscheinlichkeit symmetrisch ist.

29. Detailliertes Gleichgewicht

Eine hinreichende Bedingung für die Zielverteilung π ist:

π(x)P(x→x′)=π(x′)P(x′→x)

Detailliertes Gleichgewicht plus Ergodizität stellt sicher, dass lange Stichproben die Zielverteilung liefern. Nicht jede effiziente moderne Methode muss detailliertes Gleichgewicht auf jedem Teilschritt erfüllen; globale Invarianz der Verteilung bleibt jedoch erforderlich.

30. Monte-Carlo-Züge

Mögliche Züge sind:

• Translation oder Rotation eines Moleküls,
• Torsionsänderung einer Kette,
• Volumenänderung im NPT-Ensemble,
• Einfügen und Entfernen im großkanonischen Ensemble,
• Konfigurations-Bias für lange Moleküle,
• Identitätswechsel in Mischungen.

Die Zuggröße beeinflusst Autokorrelation und Akzeptanzrate, nicht die korrekte Gleichgewichtsverteilung, solange der Algorithmus korrekt konstruiert ist.

31. Großkanonisches Ensemble

Im μVT-Ensemble fluktuieren Teilchenzahl und Energie bei festem chemischem Potential, Volumen und Temperatur. Es eignet sich für Adsorption, Porenfüllung und Phasengleichgewichte.

Einfügungen dichter Flüssigkeiten werden mit wachsender Molekülgröße sehr unwahrscheinlich. Configurational-Bias-, Expanded-Ensemble- oder staged insertion-Verfahren verbessern dann das Sampling.

32. Autokorrelation und effektive Stichprobe

Aufeinanderfolgende Konfigurationen sind korreliert. Für eine Observable A definiert man:

C_A(t)=⟨δA(0)δA(t)⟩

Die integrierte Autokorrelationszeit τ_int reduziert die Zahl unabhängiger Werte:

N_eff≈NΔt/(2τ_int)

Eine Datei mit einer Million Frames kann daher nur wenige hundert statistisch unabhängige Konfigurationen enthalten.

33. Blockmittel und Unsicherheit

Die Trajektorie wird in Blöcke unterteilt, die länger als die Korrelationszeit sein sollen. Aus der Streuung der Blockmittel folgt der Standardfehler.

Mehrere unabhängige Replikate helfen besonders, wenn langsame Moden oder verschiedene metastabile Zustände existieren.

34. Freie Energie

Die Helmholtz-Energie ist:

F=−k_BTlnZ

Absolute Zustandssummen sind schwer zu bestimmen. Simulationen berechnen deshalb meistens Unterschiede:

ΔF=F_B−F_A

Freie Energien enthalten sowohl Energie- als auch Entropiebeiträge und sind daher empfindlicher als einzelne Potentialenergien.

35. Potential of Mean Force

Für eine Reaktionskoordinate q gilt:

A(q)=−k_BTlnP(q)+C

Eine Barriere in A(q) ist eine freie-Energie-Barriere entlang der gewählten Koordinate. Eine schlechte Koordinate kann verborgene langsame Freiheitsgrade verdecken und scheinbar konvergierte Ergebnisse erzeugen.

36. Umbrella Sampling

Seltene Bereiche werden durch harmonische Bias-Potentiale zugänglich:

U_bias,i(q)=1/2k_i(q−q_i)²

Mehrere überlappende Fenster decken die Koordinate ab. WHAM oder MBAR entfernen die Bias-Gewichte und kombinieren die Histogramme.

37. Thermodynamische Integration

Ein Hamiltonoperator wird über λ zwischen A und B interpoliert:

U(λ)=(1−λ)U_A+λU_B

Dann:

ΔF=∫₀¹⟨∂U/∂λ⟩_λdλ

Die λ-Punkte müssen ausreichend dicht liegen, besonders bei starken Endpunktkrümmungen oder strukturellen Übergängen.

38. Free-Energy Perturbation

ΔF=−k_BTln⟨exp[−β(U_B−U_A)]⟩_A

Die Exponentialmittelung ist von seltenen Konfigurationen dominiert. Ohne ausreichende Überlappung zwischen A und B kann sie stark verzerrt sein. Bennett Acceptance Ratio und MBAR nutzen Informationen beider Richtungen effizienter.

39. Metadynamik

Metadynamik legt zeitabhängige Bias-Hügel in bereits besuchten Bereichen ab. Das System wird aus freien-Energie-Minima herausgetrieben.

Well-tempered Metadynamics reduziert die Bias-Wachstumsrate und kann eine geglättete freie-Energie-Fläche rekonstruieren. Die Qualität hängt entscheidend von den kollektiven Variablen ab.

Abbildung 2. Monte Carlo erzeugt Gleichgewichtsstichproben über akzeptierte und verworfene Züge. Freie-Energie-Methoden erzwingen die Beobachtung seltener Bereiche und rekonstruieren anschließend die unverzerrte Verteilung.

40. Elektronenstrukturmethoden

Wenn Bindungen gebrochen oder gebildet werden, Ladungstransfer oder elektronische Anregung wichtig sind, reicht ein starres klassisches Kraftfeld oft nicht aus.

Die nichtrelativistische elektronische Schrödinger-Gleichung lautet schematisch:

Ĥ_elΨ=E_elΨ

Ihre direkte Lösung skaliert exponentiell mit der Elektronenzahl. Praktische Quantenchemie verwendet kontrollierte Näherungen.

41. Hartree–Fock-Theorie

Hartree–Fock beschreibt die Wellenfunktion durch eine einzelne Slater-Determinante. Elektronen bewegen sich in einem selbstkonsistenten mittleren Feld.

Austausch wird exakt innerhalb dieser Determinante behandelt, dynamische Elektronenkorrelation fehlt. Dispersionskräfte, Bindungsenergien und Reaktionsbarrieren können deshalb deutlich fehlerhaft sein.

42. Elektronenkorrelation

Post-Hartree–Fock-Methoden ergänzen Korrelation systematisch:

• Møller–Plesset-Störungstheorie,
• Configuration Interaction,
• Coupled Cluster,
• Multireferenzmethoden.

CCSD(T) gilt für viele einkonfigurative kleine Moleküle als hochgenaue Referenz, skaliert aber ungefähr mit der siebten Potenz der Basissatzgröße.

43. Dichtefunktionaltheorie

DFT verwendet die Elektronendichte ρ(r) statt der vollständigen Vielteilchenwellenfunktion. In Kohn–Sham-DFT werden nichtwechselwirkende Orbitale eingeführt:

E[ρ]=T_s[ρ]+V_ext[ρ]+J[ρ]+E_xc[ρ]

Alle unbekannte Vielteilchenphysik liegt im Austausch-Korrelations-Funktional E_xc. Unterschiedliche Funktionale besitzen unterschiedliche Stärken und systematische Fehler.

44. Funktionalklassen

Klasse	zusätzliche Information	typische Eigenschaft
LDA	lokale Dichte	einfach, häufig Überbindung
GGA	Dichtegradient	breit einsetzbar
Meta-GGA	weitere lokale Größen	größere Flexibilität
Hybrid	Anteil exakten Austauschs	bessere Barrieren und Elektronenlokalisierung, teurer
Range-separated	distanzabhängiger Austausch	hilfreich bei Ladungstransfer
Dispersion-korrigiert	explizite langreichweitige Korrelation	wichtig für nichtkovalente Systeme

45. Basissätze

Molekülorbitale werden in endlich vielen Funktionen entwickelt. Größere Basissätze verbessern die Flexibilität, erhöhen aber den Aufwand.

Wichtige Ergänzungen sind:

• Polarisationsfunktionen für anisotrope Dichte,
• diffuse Funktionen für Anionen und schwach gebundene Elektronen,
• mehrfache zeta-Qualität für Valenzflexibilität,
• effektive Kernpotentiale für schwere Elemente.

Basissatz-Superpositionsfehler können schwache Bindungen künstlich stabilisieren.

46. Geometrien, Frequenzen und Übergangszustände

Eine optimierte Struktur ist ein stationärer Punkt mit verschwindendem Gradienten. Die Hesse-Matrix klassifiziert:

• Minimum: keine imaginäre Frequenz,
• Übergangszustand erster Ordnung: genau eine imaginäre Frequenz,
• höherer Sattelpunkt: mehrere negative Krümmungen.

Nullpunktsenergie, thermische Korrekturen und Entropie müssen ergänzt werden, wenn aus elektronischen Energien freie Energien entstehen sollen.

47. Ab-initio-Molekulardynamik

Bei Born–Oppenheimer-MD werden Kräfte in jedem Schritt elektronisch berechnet. Dies erlaubt Reaktionen und Polarisation, begrenzt aber Systemgröße und Trajektorienlänge.

Car–Parrinello-MD koppelt elektronische Freiheitsgrade über eine fiktive Dynamik. Die Parameter müssen elektronische und nukleare Zeitskalen trennen.

48. QM/MM

QM/MM teilt das System in einen quantenmechanischen reaktiven Bereich und eine klassische Umgebung:

E_gesamt=E_QM+E_MM+E_Kopplung

Typische Anwendungen sind Enzymreaktionen, Elektrodenoberflächen, Photochemie in Proteinen und solvatisierte Reaktionen.

49. Einbettungsarten

• Mechanical embedding: elektrostatische QM/MM-Wechselwirkung wird klassisch behandelt.
• Electrostatic embedding: MM-Ladungen polarisieren die QM-Dichte.
• Polarizable embedding: beide Bereiche polarisieren einander selbstkonsistent.

Schneidet die Grenze eine kovalente Bindung, werden Link-Atome oder spezielle Grenzpotentiale benötigt.

50. Coarse-Graining

Beim Coarse-Graining werden mehrere Atome zu einem Bead zusammengefasst. Dadurch sinken Teilchenzahl und Zahl schneller Freiheitsgrade.

Vorteile:

• größere Längen- und Zeitskalen,
• effizientere Selbstorganisation und Polymerdynamik,
• direkte Kopplung an mesoskopische Modelle.

Nachteile sind verlorene chemische Auflösung, veränderte Entropie und häufig beschleunigte Dynamik.

51. Struktur- und kraftbasierte Parametrisierung

Iterative Boltzmann-Inversion passt Potentiale an Zielverteilungen an. Force Matching minimiert die Abweichung grobkörniger Kräfte von projizierten atomistischen Referenzkräften.

Ein Potential, das eine RDF reproduziert, muss nicht gleichzeitig Druck, freie Energie und Grenzflächenspannung korrekt liefern. Coarse-Graining besitzt ein Repräsentierbarkeitsproblem.

52. Kontinuumsmodelle

Auf größeren Skalen werden Moleküle durch Felder ersetzt:

• Navier–Stokes für Strömung,
• Nernst–Planck–Poisson für Ionentransport,
• Cahn–Hilliard für Phasentrennung,
• Elastizität und Finite Elemente für Festkörper,
• Reaktions-Diffusions-Gleichungen für Musterbildung.

Atomistische Simulationen können Materialparameter und Randbedingungen für diese Modelle liefern.

53. Maschinell gelernte Potentiale

ML-Potentiale approximieren die quantenmechanische Energiefläche mit statistischen Modellen. Typische Trainingsdaten sind:

• Gesamtenergien,
• Atomkräfte,
• Spannungstensoren,
• gegebenenfalls Ladungen oder Dipole.

Die Rechengeschwindigkeit nähert sich klassischen Kraftfeldern, während die Genauigkeit innerhalb des Trainingsraums quantenchemisch sein kann.

54. Physikalische Symmetrien

Ein Potential muss invariant sein gegenüber:

• globaler Translation,
• globaler Rotation der Energie,
• Permutation identischer Atome.

Kräfte müssen kovariant rotieren. Deskriptoren, Graphennetze oder equivarianten neuronale Netze bauen diese Eigenschaften explizit ein.

55. Active Learning

Ein Active-Learning-Zyklus umfasst:

1. Training auf einem Anfangsdatensatz,
2. Simulation mit dem vorläufigen Potential,
3. Unsicherheitsbewertung neuer Konfigurationen,
4. quantenchemische Nachberechnung unsicherer Fälle,
5. erneutes Training.

So konzentriert sich teure Referenzrechnung auf relevante Grenzbereiche des Konfigurationsraums.

56. Extrapolation und Unsicherheit

Ein kleiner Testfehler beweist keine Transferierbarkeit. Zufällige Datensplits können sehr ähnliche Konfigurationen auf Training und Test verteilen.

Robuste Tests trennen nach:

• Temperatur- oder Druckbereich,
• Zusammensetzung,
• Defekt- oder Reaktionsklasse,
• Strukturtyp,
• zeitlich unabhängigen Trajektorien.

Ensemblemodelle und Bayesianische Verfahren liefern Unsicherheitsindikatoren, aber keine automatische Garantie.

57. Reproduzierbarer Workflow

Eine reproduzierbare Simulation dokumentiert:

• Softwareversion, Compiler und Hardware,
• vollständige Eingabedateien und Kraftfeldversion,
• Zufallszahlen-Seeds,
• Strukturaufbau und Protonierungszustände,
• Equilibrierungs- und Produktionsprotokoll,
• Analysecode und Auswahlregeln,
• Rohdaten oder überprüfbare reduzierte Daten,
• Unsicherheiten und Konvergenztests.

Ein hübsches Einzelbild einer Trajektorie ist kein Beleg für Gleichgewicht oder statistische Aussagekraft.

Abbildung 3. Multiskalenmodelle reduzieren Freiheitsgrade und erweitern den zugänglichen Skalenbereich. QM/MM lokalisiert quantenmechanische Genauigkeit; Active Learning erweitert ML-Potentiale gezielt um unsichere Konfigurationen.

58. Entscheidungsbaum für die Methodenwahl

Fragestellung	geeigneter Ausgangspunkt	zentrale Grenze
Bindungsbruch, Ladungstransfer, Spektrum	Quantenchemie oder ab-initio-MD	Systemgröße und Zeit
Struktur und Dynamik einer Flüssigkeit	klassische MD	Kraftfeld und Sampling
Adsorption und Phasengleichgewicht	Monte Carlo oder MD mit freien Energien	Einfügungs- und Barrierenproblem
Enzymreaktion in großer Umgebung	QM/MM	Gebietsgrenze und Polarisation
Membran-Selbstorganisation	Coarse-Grained MD	chemische Auflösung und Zeitmapping
technischer Transport und Mechanik	Kontinuum oder Finite Elemente	konstitutive Parameter und Randbedingungen
quantennahe Kräfte für große Datensätze	ML-Potential	Trainingsraum und Extrapolation

59. Typische Fehler

Fehler	Korrektur
lange Trajektorie mit korrekter Physik gleichsetzen	Modellfehler und Samplingfehler getrennt prüfen.
Energie-Minimierung als Equilibrierung behandeln	thermische und strukturelle Relaxation durchführen.
Thermostat nur nach stabiler Mitteltemperatur bewerten	Verteilung, Fluktuationen und Dynamik prüfen.
Coulomb-Wechselwirkung hart abschneiden	Ewald- oder geeignete Reaktionsfeldmethode verwenden.
Frames als unabhängige Messwerte zählen	Autokorrelationszeit und Neff bestimmen.
freie Energie aus schlecht überlappenden Zuständen bestimmen	Zwischenzustände und bidirektionale Schätzer einsetzen.
DFT-Funktional als universell behandeln	gegen passende Referenzen und Systemeigenschaften validieren.
fehlende imaginäre Frequenz als alleinigen Geometriebeweis ansehen	Konformationen, Basissatz und numerische Schwellen prüfen.
Coarse-Grained Zeit direkt als reale Zeit interpretieren	Reibung und Dynamikmapping kalibrieren.
ML-RMSE mit physikalischer Transferierbarkeit gleichsetzen	außerhalb des Trainingsbereichs und an Observablen testen.

60. Übungsaufgaben

Aufgabe 1: Lennard–Jones-Potential

Für zwei Teilchen gilt:

U(r)=4ε[(σ/r)¹²−(σ/r)⁶]

Berechne U/ε bei:

1. r=σ,
2. r=2^1/6σ.

Welche Bedeutung besitzt der zweite Abstand?

Aufgabe 2: Zahl der MD-Schritte

Eine Molekulardynamik soll 10,0 ns mit einem Zeitschritt von 2,00 fs simulieren.

Berechne:

1. die Zahl der Integrationsschritte,
2. die Rechenzeit, wenn ein Schritt 2,00 ms benötigt.

Aufgabe 3: Mindestbildkonvention

In einer eindimensionalen periodischen Box mit L=4,00 nm befinden sich Teilchen bei x₁=0,200 nm und x₂=3,70 nm.

Berechne den direkten Koordinatenabstand und den physikalisch relevanten Mindestbildabstand.

Aufgabe 4: Temperatur aus kinetischer Energie

Ein System besitzt f=2997 unabhängige Freiheitsgrade und die mittlere kinetische Energie:

K=6,20×10⁻¹⁸ J

Berechne:

T=2K/(fk_B)

Aufgabe 5: Metropolis-Akzeptanz

Ein Monte-Carlo-Vorschlag erhöht die molare Potentialenergie bei 300 K um 5,00 kJ mol⁻¹.

Berechne die Akzeptanzwahrscheinlichkeit:

P=exp[−ΔU/(RT)]

Aufgabe 6: Diffusionskoeffizient

Im linearen Langzeitbereich beträgt die mittlere quadratische Verschiebung nach 2,00 ns:

⟨r²⟩=3,60 nm²

Berechne D=⟨r²⟩/(6t) in nm² ns⁻¹ und m² s⁻¹.

Aufgabe 7: Koordinationszahl

Die Zahlendichte einer Spezies beträgt ρ=30,0 nm⁻³. Im Bereich von r₁=0,200 nm bis r₂=0,300 nm sei g(r)=2,00 konstant; darunter sei der Beitrag null.

Berechne:

N=4πρ∫_r₁^r₂g(r)r²dr

Aufgabe 8: Thermodynamische Integration

Für λ=0, 0,25, 0,50, 0,75 und 1,00 werden folgende Mittelwerte von ⟨∂U/∂λ⟩ in kJ mol⁻¹ erhalten:

0,00; 4,00; 6,00; 5,00; 2,00

Berechne ΔF mit der zusammengesetzten Simpson-Regel.

Aufgabe 9: Formale Skalierung

Der Rechenaufwand einer Hartree–Fock-Rechnung werde vereinfacht als N⁴, der einer kubisch skalierenden DFT-Implementierung als N³ angenommen.

Um welchen Faktor steigt der Aufwand jeweils, wenn die Zahl der Basisfunktionen verdoppelt wird?

Aufgabe 10: Coarse-Graining

Ein atomistisches Modell enthält 8000 Wechselwirkungszentren. Je vier Zentren werden zu einem grobkörnigen Bead zusammengefasst.

Berechne:

1. die neue Teilchenzahl,
2. die ungefähre Reduktion der Zahl aller möglichen Paare, wenn man naiv eine N²-Skalierung annimmt.

61. Vollständige Lösungen

Lösung 1

Bei r=σ:

U/ε=4(1−1)=0

Bei r=2^1/6σ gilt:

(σ/r)⁶=1/2

(σ/r)¹²=1/4

U/ε=4(1/4−1/2)=−1

Der Abstand r=2^1/6σ≈1,12246σ ist das Potentialminimum. Die Tiefe des Minimums beträgt ε.

Lösung 2

Zeiten in Sekunden:

10,0 ns=1,00×10⁻⁸ s

2,00 fs=2,00×10⁻¹⁵ s

Schrittzahl:

N_Schritte=(1,00×10⁻⁸)/(2,00×10⁻¹⁵)

N_Schritte=5,00×10⁶

Rechenzeit:

t=(5,00×10⁶)(2,00×10⁻³ s)

t=1,00×10⁴ s=2,78 h

Ein kleiner Zeitschritt macht selbst Nanosekunden-Trajektorien zu Millionen-Schritt-Rechnungen.

Lösung 3

Direkter Abstand:

Δx=x₂−x₁=3,50 nm

Da 3,50 nm größer als L/2=2,00 nm ist, wird eine Boxlänge subtrahiert:

Δx_min=3,50−4,00=−0,500 nm

Der Betrag des Mindestbildabstands ist:

|Δx_min|=0,500 nm

Die beiden Teilchen liegen über die periodische Grenze hinweg nahe beieinander.

Lösung 4

T=2(6,20×10⁻¹⁸)/[(2997)(1,380649×10⁻²³)]

T=299,7 K

Die kinetische Energie entspricht somit nahezu einer Temperatur von 300 K.

Lösung 5

P=exp[−5000/(8,31446·300)]

P=0,1347

P=13,47 %

Energetisch ungünstige Vorschläge werden nicht grundsätzlich verworfen. Genau diese endliche Wahrscheinlichkeit erzeugt die kanonische Boltzmann-Verteilung.

Lösung 6

D=3,60/[6(2,00)]

D=0,300 nm² ns⁻¹

Umrechnung:

1 nm² ns⁻¹=10⁻⁹ m² s⁻¹

D=3,00×10⁻¹⁰ m² s⁻¹

Lösung 7

N=4π(30,0)(2,00)∫_0,200^0,300r²dr

N=8π(30,0)[(0,300³−0,200³)/3]

N=4,775

Im betrachteten Schalenbereich befinden sich im Mittel ungefähr 4,78 Nachbarteilchen.

Lösung 8

Für vier gleich große Intervalle ist h=0,25. Die Simpson-Regel lautet:

ΔF≈h/3[f₀+f₄+4(f₁+f₃)+2f₂]

ΔF≈0,25/3[0+2+4(4+5)+2·6]

ΔF=4,167 kJ mol⁻¹

In einer realen Rechnung müssten zusätzlich statistische Fehler und die λ-Konvergenz untersucht werden.

Lösung 9

Hartree–Fock:

(2N)⁴/N⁴=2⁴=16

Kubische DFT:

(2N)³/N³=2³=8

Die Aussage ist eine formale Skalierung. Vorfaktoren, Speicherbedarf, Parallelisierung und spezielle Algorithmen können die reale Laufzeit verändern.

Lösung 10

Teilchenzahl:

N_CG=8000/4=2000

Bei naiver Paarzahlskalierung:

N_Paare,atom/N_Paare,CG≈(8000/2000)²=16

Die Zahl möglicher Paare sinkt ungefähr um den Faktor 16. In einer echten Simulation bestimmen Cutoffs, Nachbarschaftslisten, komplexere CG-Potentiale und der größere mögliche Zeitschritt den tatsächlichen Geschwindigkeitsgewinn.

62. Gesamtsynthese von Physikalische Chemie III

Teile	Leitfrage	zentrale Konzepte
1–7	Wie entstehen Reaktionsraten aus molekularer Bewegung?	Elementarschritte, Übergangszustand, RRKM, Stöße, Potentialflächen, Tunneln, Lösungsmittelreibung
8–11	Wie reagieren Systeme auf schnelle Anregung und Nichtgleichgewicht?	Relaxationsmethoden, Photokinetik, stochastische Dynamik, Reaktions-Diffusions-Muster
12–15	Wie koppeln Grenzflächen Elektronentransfer, Stofftransport und Energiespeicherung?	Doppelschicht, Butler–Volmer, Voltammetrie, Batterien, Brennstoffzellen, Superkondensatoren
16–19	Wie organisieren sich weiche Materialien und wie reagieren sie mechanisch?	DLVO, Polymerstatistik, Amphiphile, Membranen, Rheologie, Gele
20	Wie werden diese Ebenen rechnerisch verbunden?	MD, Monte Carlo, freie Energien, Quantenchemie, QM/MM, Coarse-Graining, ML

63. Zehn übergreifende Denkprinzipien

1. Zeitskala bestimmt Verhalten: Ein Material kann auf kurzen Zeiten fest und auf langen Zeiten flüssig erscheinen.
2. Freie Energie bestimmt Gleichgewicht: Energie allein genügt nicht; Entropie entscheidet oft über Mischung, Selbstorganisation und Reaktion.
3. Barrieren bestimmen Kinetik: Ein günstiger Endzustand wird ohne zugänglichen Pfad möglicherweise nie erreicht.
4. Transport und Reaktion sind gekoppelt: Gemessene Raten können durch Diffusion, Migration, Konvektion oder Porentransport begrenzt sein.
5. Grenzflächen sind eigene Phasenräume: Doppelschichten, Adsorption und Membranen besitzen lokale Zusammensetzung und Felder.
6. Fluktuationen sind Information: Sie liefern Antwortfunktionen, Rauschen, Übergangswahrscheinlichkeiten und mikroskopische Dynamik.
7. Modelle besitzen Gültigkeitsbereiche: Jede Gleichung beruht auf Randbedingungen und Näherungen.
8. Skalierung offenbart Dominanz: Potenzgesetze zeigen, welche Mechanismen bei größerem Radius, längerer Kette oder höherer Frequenz gewinnen.
9. Messung verändert Auswahl: Experiment- oder Simulationsfenster bestimmt, welche Zustände und Relaxationen sichtbar sind.
10. Validierung benötigt mehrere Observablen: Ein Modell kann eine Kurve reproduzieren und andere Eigenschaften dennoch verfehlen.

64. Abschluss-Checkliste für Simulationen

• Ist die wissenschaftliche Frage präzise und beobachtbar formuliert?
• Sind Freiheitsgrade und Modellauflösung angemessen?
• Wurden Kraftfeld, Funktional oder Parameter für ähnliche Zustände validiert?
• Sind Systemgröße, Cutoff und Randbedingungen konvergiert?
• Ist die Equilibrierung von der Produktionsphase getrennt?
• Wurden Autokorrelation und effektive Stichprobengröße bestimmt?
• Existieren unabhängige Replikate?
• Werden Unsicherheiten und systematische Modellgrenzen berichtet?
• Sind Eingaben, Seeds, Softwareversionen und Analysecode archiviert?
• Stimmen simulierte Observablen mit Experiment oder höherwertiger Referenz überein?

65. Häufig gestellte Fragen

Ist Molekulardynamik eine exakte Lösung der Newton-Gleichungen?

Nein. Zeitintegration, Kraftfeld, Cutoffs und endliche Präzision erzeugen Näherungen. Symplektische Integratoren kontrollieren den Fehler, beseitigen ihn aber nicht.

Warum kann klassische MD keine chemische Reaktion zeigen?

Konventionelle Bindungstopologien bleiben fest. Reaktive Kraftfelder, QM/MM oder ab-initio-MD sind erforderlich, wenn Bindungen wechseln sollen.

Erzeugt ein Thermostat reale Wärmeleitung?

Nicht automatisch. Ein Thermostat stellt ein statistisches Ensemble oder eine Wärmebadkopplung dar. Seine Dynamik muss zur Fragestellung passen.

Ist Monte Carlo schneller als Molekulardynamik?

Das hängt von Observable und System ab. Monte Carlo kann Konfigurationen effizienter samplen, liefert aber ohne spezielle Konstruktion keine reale Zeit.

Warum sind freie Energien schwieriger als mittlere Energien?

Sie hängen logarithmisch von Zustandssummen und damit von seltenen, entropisch gewichteten Konfigurationen ab. Zustandsüberlappung ist entscheidend.

Welche DFT-Methode ist die beste?

Keine ist universell überlegen. Funktional, Basissatz und Dispersion müssen zur Bindungsart, Ladung, Metallchemie und gewünschten Observable passen.

Was geht beim Coarse-Graining verloren?

Atomistische Struktur, schnelle Moden und ein Teil der Entropie werden integriert. Dadurch ändern sich Dynamik und Übertragbarkeit.

Sind ML-Potentiale physikalische Modelle?

Sie approximieren eine Energiefläche datengetrieben, können aber physikalische Symmetrien und Nebenbedingungen enthalten. Außerhalb des Trainingsraums bleibt Extrapolation riskant.

Wie lang muss eine Trajektorie sein?

Lang genug, um die langsamsten relevanten Prozesse mehrfach zu beobachten. Eine pauschale Nanosekunden- oder Mikrosekundenangabe ist nicht möglich.

Wann ist eine Simulation konvergiert?

Wenn relevante Observablen gegenüber weiterer Laufzeit, Systemgröße, Diskretisierung und unabhängigen Anfangsbedingungen innerhalb der angegebenen Unsicherheit stabil sind.

66. Abschluss von Physikalische Chemie III

Mit Teil 20 ist der dritte Kursblock abgeschlossen. Physikalische Chemie III hat die Brücke von molekularer Reaktionsdynamik über Nichtgleichgewicht, Elektrochemie und weiche Materie bis zur computergestützten Modellierung geschlagen.

Der gemeinsame Kern lautet:

Mikroskopische Zustände + Wechselwirkungen + Statistik + Zeitskala → makroskopische Beobachtung

Diese Denkstruktur ist auf Reaktionen, Batterien, Membranen, Polymere, Kolloide und Simulationen gleichermaßen anwendbar.

67. Ausblick auf Physikalische Chemie IV

Ein weiterführender vierter Kursblock kann moderne Material- und Grenzflächenphysik vertiefen: Festkörperdefekte, Halbleiter, Nanostrukturen, Oberflächenanalytik, Photovoltaik, Katalysatormaterialien, mesoskopische Transportphänomene und gekoppelte Multiphysik. Die in Physikalische Chemie I bis III entwickelten thermodynamischen, quantenmechanischen, kinetischen und statistischen Werkzeuge bilden dafür das Fundament.

Literatur und weiterführende Quellen

1. D. Frenkel & B. Smit: Understanding Molecular Simulation. Academic Press.
2. M. P. Allen & D. J. Tildesley: Computer Simulation of Liquids. Oxford University Press.
3. D. C. Rapaport: The Art of Molecular Dynamics Simulation. Cambridge University Press.
4. A. R. Leach: Molecular Modelling: Principles and Applications. Pearson.
5. F. Jensen: Introduction to Computational Chemistry. Wiley.

Didaktischer Hinweis: Die dargestellten Skalierungen, Kraftfeldformen, Thermostatmodelle, freien-Energie-Schätzer und quantenchemischen Hierarchien sind kontrollierte Idealbilder. Reale Softwareimplementierungen besitzen zusätzliche numerische Parameter, Randbedingungen und methodenspezifische Konventionen.

Bild- und Nutzungsnachweis: Das Titelbild und die Abbildungen 1–3 wurden eigens für diesen Blogartikel mit selbst erstelltem Programmcode erzeugt. Es wurden keine Grafiken aus Lehrbüchern oder anderen Publikationen übernommen. Die Abbildungen sind für die Verwendung in diesem monetarisierbaren Blog vorgesehen.