Chapter 12 Neural Network Potentials Jinzhe Zeng Liqun Cao Tong Zhu Full Chapter

Chapter 12 - Neural network potentials
Jinzhe Zeng & Liqun Cao & Tong Zhu

Visit to download the full and correct content document:
https://ebookmass.com/product/chapter-12-neural-network-potentials-jinzhe-zeng-liqu
n-cao-tong-zhu/
C H A P T E R
12
Neural network potentials
Jinzhe Zenga,b, Liqun Caoa,b, and Tong Zhua,b,∗
a
Shanghai Engineering Research Center of Molecular Therapeutics & New Drug Development,
School of Chemistry and Molecular Engineering, East China Normal University, Shanghai, China
b
NYU-ECNU Center for Computational Chemistry at NYU Shanghai, Shanghai, China
∗Corresponding author: E-mail address: tzhu@lps.ecnu.edu.cn
Abstract
Recently, artificial neural network-based methods for the construction of potential energy surfaces and mo-
lecular dynamics (MD) simulations based on them have been increasingly used in the field of theoretical chem-
istry. The neural network potentials (NNP) strike a good balance between accuracy and computational
efficiency relative to quantum chemical calculations and MD simulations based on classical force fields. Thus,
NNP is becoming a powerful tool for studying the structure and function of molecules. In this chapter, we
introduce the basic theory of NNP. The construction steps and the usage of NNP are also introduced in detail
with the MD simulation of methane combustion as an example. We hope that this chapter can help those
readers who are new but interested in entering this field.
Keywords: Neural network, Potential energy surface, Molecular dynamic simulation, Chemical reaction
Introduction
Molecular dynamics (MD) simulation has been a key theoretical tool for studying the struc-
tural and dynamical properties of a wide range of chemical systems. One of the essential el-
ements determining the reliability of MD simulations is the underlying potential energy
surface (PES), which describes the intra- and intermolecular interactions. There are two main
ways to construct the PES for MD. The first one is to perform quantum mechanical (QM) cal-
culation on-the-fly, which is also known as ab initio MD simulation (AIMD) [1]. The other one
is the empirical interatomic potentials (force fields) which are based on classical molecular
mechanics (MM) [2,3]. The force fields undoubtedly have the advantage in terms of compu-
tational efficiency. However, these functional forms of force fields can only accurately de-
scribe classical physical interactions and usually do not have a good accuracy when taking
Quantum Chemistry in the Age of Machine Learning 279 Copyright # 2023 Elsevier Inc. All rights reserved.
https://doi.org/10.1016/B978-0-323-90049-2.00001-9
280 12. Neural network potentials
into account the motion of electrons. Thus, their accuracy is often questioned as they lack im-
portant quantum effects such as polarization and charge transfer. This is also the reason that
only a few force fields can describe chemical reactions. The AIMD is more accurate in prin-
ciple. However, its applications are significantly limited by its computational cost. It seems to
be difficult to ensure both efficiency and accuracy of PESs at the same time.
In the past two decades, the development of machine learning potentials (MLP) provides
the possibility to solve this contradiction. MLP employs machine learning models rather than
empirical formulas or Schr€ odinger equation to establish the relationship between the poten-
tial energy of the system and the structure as well as the chemical information. Compared
with empirical formulas, ML models have a better fit power and are therefore more accurate.
They have been used since the 1990s [4–9]. Following the work of Behler and Parrinello [10], a
series of MLP construction approaches have been proposed for a wide variety of chemical
systems. For example, Csányi and co-workers [11] proposed the Gaussian Approximation Po-
tentials, M€uller et al. proposed the GDML, DTNN and the SchNet methods [12–14], Hammer
et al. proposed the kCON model [15], E and co-workers developed the Deep Potential
(DeePMD) model [16,17], Jiang et al. developed the EANN model [18], and Dral and co-
workers proposed the KREG method [19,20]. There are several machine learning methods
that can be used to build the PES. Among them, the artificial NN is widely used due to its
better computational scaling for performance and memory requirements [21,22]. Recently,
universal NNPs have been proposed for many elements [23,24].
Compared with AIMD, the efficiency of the MLP is substantially improved (typically by
more than 3 orders of magnitude). With code optimization or on dedicated hardware, MD
simulation with MLP has been able to simulate systems containing 100 million atoms [17].
However, there is still an order of magnitude difference in the efficiency of MLP compared
to classical force fields. Therefore, it was mainly used to study scientific problems that
traditional force fields are not capable of or require high accuracy. For example, the de-
sign/discovery of new materials, homogeneous catalysis, etc [25–39]. The latest develop-
ments and applications in this field can be found in several recent comprehensive reviews
[40–51].
Recently, we have used the neural network-based potentials (NNP) to simulate a number
of typical chemical systems, such as the hydration of zinc ions [52], metalloproteins [53], and
combustion reactions [54,55] (Fig. 1). Metals, especially some transition metals, are important
cofactors in the regulation of protein structure and function. However, important quantum
effects associated with metal coordination are often not accurately described by classical force
fields. We found that benefitting from its powerful fitting ability, the NNP can easily achieve
higher accuracy than classical force fields in these systems. Combustion is an even more com-
plex chemical system that involves thousands of chemical reactions and generates hundreds
of molecular species during the process. Traditionally, MD simulations based on reactive
force fields such as ReaxFF [56] were used to investigate the combustion reaction processes.
However, the accuracy of the ReaxFF has often been criticized [57,58]. We have developed
NNPs as accurate as DFT method to achieve efficient simulations of methane combustion
and long-chain alkane pyrolysis. From the MD trajectories, one can not only obtain detailed
reaction networks but also discover new reactions. With this chapter, we hope to pass on our
experience to help more beginners better understand and use NNP and the MD simulations
based on it.
Methods 281
FIG. 1 (A) Radial distribution function of Zn O distance (solid lines) and corresponding integration of radial dis-
tribution function (RDF, dashed lines) calculated from the trajectory simulated by NNP. The gray area is the experi-
mental measurement of RDF [52]. The P1 and P2 denote, respectively, the peak experimental radial distribution of
the first and second solvation shells, while N1 and N2 denote, respectively, the experimental coordination number
of the first and second solvation shells. (B) The workflow to construct NNPES for zinc proteins [53].
(C) Snapshots of the partial combustion system extracted from the reactive MD simulation of methane combustion
[54]. Panel (A) This figure is reprinted with permission from M. Xu, T. Zhu, J.Z.H. Zhang, Molecular dynamics simulation of
zinc ion in water with an ab initio based neural network potential, J. Phys. Chem. A 123 (2019) 6587–6595. Copyright 2019
American Chemical Society. Panel (B) This figure is taken from M. Xu, T. Zhu, J.Z.H. Zhang, Automatically constructed neural
network potentials for molecular dynamics simulation of zinc proteins, Ftont. Chem. 9 (2021) 692200. Panel (C) This figure is
taken from J. Zeng, L. Cao, M. Xu, T. Zhu, J.Z.H. Zhang, Complex reaction processes in combustion unraveled by neural
network-based molecular dynamics simulation, Nat. Commun. 11 (2020) 5713.
Methods
A good NNP model should meet the following requirements: (1) Its accuracy must be very
close to the quantum chemistry method that used to label the data. (2) The only input needed
by the model should be the element information, atomic coordinate, charges and spin state.
(3) If used for MD simulation, the model should be smooth and differentiable. (4) In most
cases, the PES model should preserve the translational, rotational, and permutational symme-
tries of the system, which is essential to guarantee the transferability of the model.
In most, but not all, NNP models, the potential energy of the system is expressed as the sum
of atomic contributions to the energy (Fig. 2)
FIG. 2 The neural network model that generates the potential energy surface for MD simulation. This figure is taken
from J. Zeng, L. Cao, M. Xu, T. Zhu, J.Z.H. Zhang, Complex reaction processes in combustion unraveled by neural network-
based molecular dynamics simulation, Nat. Commun. 11 (2020) 5713.
X
N
E¼ Ei : (1)
i¼1
While the energy of atom i is determined by its chemical environment. The relationship
between them is described by a neural network N :

Ei ¼ N D Rei : (2)
The chemical environment refers to the element information and relative positions Rei of the
atom i and all atoms within a pre-defined distance/angular cut-off which centered at atom i.
To satisfy the requirement 4 mentioned above, we use mathematics or machine learning
methods to transform the Cartesian coordinates of atoms in the chemical environment.
The mathematical representation after the transformation is called a molecular descriptor D.
A deep neural network function N is the composition of multiple layers Li :
N ¼ Ln ∘Ln1 ∘…∘L1 : (3)
A layer L is usually composed by

y ¼ Lðx; w, bÞ ¼ ϕ xT w + b , (4)
where x is the input vector and y is the output vector. w and b are weights and biases, respec-
tively, both of which are trainable. ϕ is the activation function, such as ReLU, softplus, sig-
moid, tanh, GeLU, and etc.
Methods 283
One of the simplest descriptors is the Coulomb matrix [59]:
8
>
< 0:5Zi 8i ¼ j
2:4
Cij ¼ Zi Z j , (5)
>
: |R R | 8i 6¼ j
i j
where Z is the nuclear charge. Since all elements in the matrix are determined only by the
relative positions of atoms, the translational and rotational symmetries can be well preserved,
while the permutation invariance can be achieved by sorting the rows and columns by their
respective norm. However, the sorted Coulomb matrix cannot ensure the smoothness and
differentiability of the PES model, and it can be only used when the total energy is learned
directly, no decomposition into atomic contributions.
Currently, there are a lot of molecular descriptors used in the construction of NNP. Some
of them [18] are mentioned or introduced in other chapters of this book (such as Chapters 11,
12, and 19). Here we will introduce three of them, the atom-centered symmetry functions
(ACSFs) [60], the SchNet model [14], and the Deep Potential-smooth edition (DeepPot-SE)
[61] method.
Atomic-centered symmetry functions

The atomic-centered symmetry functions (ACSFs) were proposed by Behler and Parrinllo
in 2007 [10], which contains a series of Gaussian-type functions:

D ¼ G1 G2 , (6)
where G1 and G2 are radical and angular term, respectively.

X
eηðRij Rs Þ f c Rij ,
2
G1 ¼ (7)
j6¼i
X ζ 2 2 2
G2 ¼ 21ζ 1 + λ cos θijk eη Rij +Rik +Rjk f c Rij f c ðRik Þ f c Rjk , (8)
j, k6¼i
Rij Rik
where Rs, λ, η, and ζ are hyperparameters, θijk ¼ Rij Rik , and the cut-off function fc is defined by
8
< 1 cos πRij + 1 , if R R ,
ij c
f c Rij ¼ 2 Rc (9)
:
0, if Rij > Rc :
RC is the user-defined cut-off. The cut-off function makes atoms out of the cut-off radius
have no contribution to either G1 or G2 .
On this basis, Gastegger et al. proposed the weighted atomic-centered symmetry functions
(wACSFs) descriptor [62], which introduced weighting functions of the chemical elements to
symmetry functions (Eqs. 7–8):
X
g Z j eηðRij Rs Þ f c Rij ,
2
G1 ¼ (10)
j6¼i
X ζ
h Z j , Zk 1 + λ cos θijk eη ðRij Rs Þ +ðRik Rs Þ +ðRjk Rs Þ f c Rij f c ðRik Þ f c Rjk , (11)
2 2 2
G2 ¼ 21ζ
j, k6¼i
where g(Zj) ¼ Zj and h(Zj, Zk) ¼ ZjZk.

wACSFs overcome the undesirable scaling of ACSFs with an increasing number of differ-
ent elements. Meanwhile, to obtain a comparable spatial resolution of the molecular struc-
tures, a substantially smaller number of wACSFs than ACSFs is needed.
In their previous work [63], Smith et al. also optimized the angular term of ACSFs and pro-
posed the ANAKIN-ME (ANI) model. They add two new hyperparameters to Eq. (8):
X ζ Rij +Rik 2

G2 ¼ 21ζ 1 + cos θijk θs eη 2 Rs f c Rij f c ðRik Þ, (12)
j, k6¼i
which gives the descriptor an obviously more expressive power.
SchNet
It is worth to mention that the ACSFs (and its variants) are fixed before training an NNP. In
fact, there are other molecular descriptors such as SchNet [14] and DeepPot-SE [61] which can
be learned in the training process. SchNet contains a trainable convolutional NN. Its descrip-
tor D is a NN function N of the coordinates Rij and atomic type α of the given chemical
system.

D ¼ N α; Rij (13)
The NN function contains both the dense layers Ld and the convolutional layers Lc :

N x; Rij ¼ I n x; Rij (14)

I x; Rij ¼ Ld ∘Lc ∘Ld ∘ϕ∘Ld x; Rij + x (15)
where x is the input tensors that could be either α or the output from the last layer, n is a
hyperparameter to decide how many times I is applied to x, ϕ is the softplus, and the
convolutional layers Lc are given by
X
Lc x; Rij ¼ x ∘W Rij
j j
(16)
where W is trainable. Ld can be found in Eq. 4. Details of this model can be found in Ref. [14].
DeepPot-SE
network consisting
In DeepPot-SE, the expression for the atomic contribution Ei is a neural
of three hidden layers. The input layer is the molecular descriptor D Rei , which determined
by the “environment matrix” Rei , the “embedding” matrix Gi , and a reduced dimension em-
bedding matrix G< i [64].
Methods 285
T
D Ri ¼ G<
T
i ∙ Ri ∙ Ri ∙Gi (17)
8
> s Rij , ifa ¼ 1
>
< sR X =R ,ifa ¼ 2
>
Rei ¼
ij ij ij
(18)
>
> ij ij ij , ifa ¼ 3
> s R Y =R
ja
:
s Rij Zij =Rij , ifa ¼ 4
8
> 1
>
> , if Rij Ron
>
> R
> ij
< ( ! )
s Rij ¼ 1 Rij Ron 3
Rij Ron 2
Rij Ron
>
> 6 + 15 10 + 1 , if Ron Rij Roff
> Rij
> Roff Ron Roff Ron Roff Ron
>
>
:
0, if Rij Roff
(19)
s(Rij) is a switched reciprocal distance function that controls the range of the chemical en-
vironment to be considered. If an atom is separated from atom i by a distance greater than Roff,
then the atom is not included in the chemical environment of atom i. If a neighboring atom is
within a distance of Ron, then it is given full weight in the descriptor. The weight can smoothly
change from Ron to Roff. The environment matrix is a Nneigh 4 array, where Nneigh is the num-
ber of atoms with in Roff.
The “embedding” matrix Gi is actually another neural network N which is called
“embedding network”:

Gi ¼ N s Rij (20)
The equation of the neural network N is given in Eq. 3. Usually, we put 3 hidden layers in
the embedding network. Each row of the embedding matrix corresponds to a neighbor. If
there are M3 nodes in the third layer of Gi , the size of the embedding matrix is Nneigh M3.
The reduced dimensional embedding matrix has the same values as Gi , but only the first
M0 columns are stored, where M0 is smaller than M3. The main purpose of the usage of G< i
is to reduce the computational cost.
In their recent work [22], Pinheiro Jr. et al. systematically benchmarked a series of molec-
ular descriptors in different application contexts and give selection recommendations based
on the target and the size of the training set. We strongly recommend that readers of this book
read this work before construct their own NNPs.
Example of simulation with neural network potentials

After selecting the molecular descriptor, one only need to focus on two issues, the prepa-
ration of the reference dataset (including the training and test set) and the training of the neu-
ral network. Among them, the training of neural networks is relatively straightforward,
currently mainly based on open-source frameworks such as TensorFlow or PyTorch. On
the contrary, the construction of a reference dataset that covers the target chemical space
FIG. 3 The workflow of reference dataset construction. This figure is taken from J. Zeng, L. Cao, M. Xu, T. Zhu, J.Z.H.
Zhang, Complex reaction processes in combustion unraveled by neural network-based molecular dynamics simulation, Nat.
Commun. 11 (2020) 5713.
while being as small as possible is the most critical and difficult. When one cannot predict the
chemical space that MD will explore, such as simulating combustion reactions, the construc-
tion of reference datasets becomes even more difficult. A feasible approach is to run MD sim-
ulation while sampling. Previous studies suggested using multiple NNP models to identify
poorly sampled regions of the configuration space [65,66]. In this method, several NNP
models will be trained based on the same reference dataset. During the MD simulation, a
large number of trial configurations are evaluated by all of these models. If a given structure
differs obviously from all trained data, the predictions of these models should be significantly
different. Then one need to add this structure into the dataset. Conversely, if the training
set already contains similar structures of the given one, the predicted results of these models
should be consistent. This algorithm was called “active learning” or “learning on-the-fly” and
has been used by many works [66–76], see Chapter 14. Fig. 3 shows an “active learning”
workflow we used in the simulation of methane combustion.
Firstly, we need to prepare an initial dataset by using a short MD simulation with the
ReaxFF force field. For each atom in each snapshot of the trajectory, we built a molecular clus-
ter which contains this atom and species that within a specified cut-off centered on it. Then the
Mini Batch KMeans [77] is used to remove the redundancy. Starting from the initial dataset,
four different NNP models were trained based on the dataset from the last step. Then several
short MD simulations were performed based on one of these NNP models. During the sim-
ulation, the atomic forces of the central atom in the molecular cluster are evaluated by all four
NNP models simultaneously. For a specific atom, if the predicted forces by these four models
Case studies 287
are consistent with each other, then similar molecular clusters should already be included in
the dataset. On the contrary, if the results of these four models are inconsistent with each other
and the error between them is in a specific range, the corresponding molecular cluster will be
added into the dataset. The update of the dataset will be continued until the predictions of the
four models are always consistent or the target length of the MD simulation is reached. More
technique details can be found in our previous study [54].
Case studies
Simulation of the oxidation of methane

In this section, we will take the simulation of methane combustion as an example and in-
troduce the procedure of NNP-based MD simulation. All files needed in this section can be
downloaded from the following link: https://github.com/tongzhugroup/Chapter13-
tutorial.
At the very beginning, one needs to consider which software to use. There are several
open-source and widely used NNP building software, such as TensorMol [38], MLatom
[19,20], EANN [18], and DeePMD-kit [78]. For beginners, there is little difference between
these software packages. The MLatom and EANN method are introduced in other chapters
of this book such as Chapters 13 and 19, respectively. Here we employ the DeePMD-kit. The
following steps are used to train the NNP and perform MD simulation.
Step 1: Preparing the reference dataset

In the reference dataset preparation process, one also has to consider the expect accuracy of
the final model, or at what QM level one should label the data. In Ref.54, the Gaussian 16 [79]
software was used to calculate the potential energy and atomic forces of the reference data at
the MN15/6-31G** level. The MN15 functional was employed because it has good accuracy
for both multi-reference and single-reference systems [80], which is essential for our system as
we have to deal with a lot of radicals and their reactions. Here, we assume that the dataset is
prepared in advance, which can be downloaded from the above link.
Step 2. Training the NN PES

Before the training process, we need to prepare an input file called methane_param.json
which contains the control parameters. The training can be done by the following command:
$ $deepmd_root/bin/dp train methane_param.json
There are several parameters we need to define in the methane_param.json file. The type_map
refers to the type of elements included in the training, and the option of rcut is the cut-off ra-
dius which controls the description of the environment around the center atom. The type of
descriptor is “se_a” in this example, which represents the DeepPot-SE model. The descriptor
will decay smoothly from rcut_smth (Ron) to the cut-off radius rcut (Roff). Here rcut_smth and
rcut are set to 1.0 Å and 6.0 Å, respectively. The sel defines the maximum possible number of
neighbors for the corresponding element within the cut-off radius. The options neuron in de-
scriptor and fitting_net is used to determine the shape of the embedding neural network and
the fitting network, which are set to (25, 50, 100) and (240, 240, 240) respectively. The value of
axis_neuron represents the size of the embedding matrix, which was set to 12. And the options
start_lr, decay_rate, and decay_steps in the learning_rate module controls the learning rate for nth
batch according to the following formula:
n
lrðnÞ ¼ start_lr∗decay_ratedecay_steps (21)
The initial learning rate was set to 0.001 and it will decay every 400 steps. The loss function
is defined as:
p pf X
L pε , p f ¼ ε Δε2 + jΔF i j2 (22)
N 3N i
The Δ ε and Δ Fi in the loss function represent the difference between the prediction of NNP
in the labeled energy and force, respectively. pε and pf are prefactors that decays exponentially
during training. By assigning different random seeds in the neural network initialization pro-
cess, one can train multiple models at the same time.
After the training is completed, the predictive power of the model must be checked first. As
shown in the Fig. 4, the mean absolute errors (MAE) of potential energy are only 0.04 eV/atom
A
Training Set / Test Set
Structure
MAE RMSE
Number
578,731/13,315 0.041/0.140 0.073/0.240
B 60
Atomic forces predicted by NN potential (eV/Å)
105
40
104
20
Counts
103
0
102
–20
–40 101
MAE = 0.12eV/Å
RMSE = 0.30eV/Å
–60 100
–60 –40 –20 0 20 40 60
Atomic forces calculated by DFT (eV/Å))
FIG. 4 (A) Energy prediction errors for the reference set. The mean absolute errors (MAEs) and root mean squared
errors (RMSEs) are in eV/atom. (B). The correlation of atomic forces between NN predictions and DFT calculations.
This figure is taken from J. Zeng, L. Cao, M. Xu, T. Zhu, J.Z.H. Zhang, Complex reaction processes in combustion unraveled by
neural network-based molecular dynamics simulation, Nat. Commun. 11 (2020) 5713.
Case studies 289
and 0.14 eV/atom in the training set and the test set, respectively. As for the atomic forces, the
correlation coefficient between the predicted and labeled values is 0.999 and the MAE is
0.12 eV/Å.
Step 3: Freeze the model

This step is to extract the trained neural network model. To freeze the model, the following
command will be executed:
$ $deepmd_root/bin/dp freeze -o graph.pb
A file called graph.pb can be found in the training folder. Then the frozen model can be
compressed [81]:
$ $deepmd_root/bin/dp compress -i graph.pb -o graph_compressed.pb -t methane_param.json
Step 4: Running MD simulation based on the NNP

The frozen model can be used to run reactive MD simulations to explore the detailed re-
action mechanism of methane combustion. The MD engine is provided by the LAMMPS soft-
ware [82]. Here we use the same system from our previous work [54], which contains 100
methane and 200 oxygen molecules. The MD will be performed under the NVT ensemble
at 3000 K for 1 ns. The LAMMPS program can be invoked by the following command:
$ $deepmd_root/bin/lmp -i input.lammps
The input.lammps is the input file that controls the MD simulation in detail, technique de-
tails can be found in the manual of LAMMPS (https://docs.lammps.org/). To use the NNP,
the pair_style option in this input should be specified as follows:
pair_style deepmd graph_compressed.pb
pair_coeff * *
Step 5: Analysis of the trajectory

After the simulation is done, we can use the ReacNetGenerator [83] software which was
developed in our previous study to extract the reaction network from the trajectory. All spe-
cies and reactions in the trajectory will be put on an interactive web page where we can an-
alyze them by mouse clicks. Eventually we should be able to obtain reaction networks that
consistent with Figs. 2–4 in Ref. [54].
$ reacnetgenerator -i methane.lammpstrj -a C H O –dump
The most expensive steps are step 2 (training the NNP) and step 4 (Running MD simulation
based on the NNP). Performance of these two steps is benchmarked using different hardware
as shown in Table 1.
TABLE 1 Performance of training and MD simulations using different hardware (unit: ms/step)a.
Training MD simulations
Hardware FP64 FP32 FP64 FP32
AMD EPYC 7742 (128 cores) 36.03 19.84 4.872 5.291
NVIDIA GeForce RTX 3080 Ti 16.39 10.77 3.164 3.325
NVIDIA GeForce RTX 3090 24.26 26.78 6.738 6.965
NVIDIA Tesla V100 27.07 19.17 5.863 5.558
a
Training is conducted with the methane combustion training set given in the GitHub repository, using the DeePMD-kit software. MD
simulations are conducted with a methane combustion system of 900 atoms, using LAMMPS interface to the DeePMD-kit.
Conclusions and outlook
In this chapter, we introduce the basic concepts and ideas that about the construction and
usage of NNP from a beginner’s perspective. In the past years, machine learning-based mo-
lecular dynamics simulations have gained significant developments and advances that have
changed the research paradigm throughout the theoretical chemistry community. In the pro-
cess of growing from beginner to expert, we believe that the following issues are needed to be
considered [84,85]. (1) Data is at the heart of all machine learning methods. Therefore, the
quest for better methods to build reference datasets will never stop. Some recent useful dis-
cussions can be found in the literature [86,87]. (2) The selection of proper molecular descrip-
tors which can represent the chemical environment well, while with minimal complexity.
Although well-established molecular descriptors such as ACSFs, EANN and DeepPot-SE
are already available, one may still want to design new descriptors for specific systems of in-
terest to further enhance the transferability of the NNP model and improve the accuracy and
efficiency of the training process and MD simulation. (3) The selection of hyper-parameters
for NN. There are many hyper-parameters such as learning rate and network structure pa-
rameters which have huge impact on the accuracy and efficiency of NNPs. Although some
automated methods have been proposed [60,87,88], the choice of these parameters is still
largely empirically dominated. When computational resources are limited, one needs to care-
fully compare and select the appropriate set of parameters. (4). The treatment of long-range
interactions. As mentioned above, distance cut-offs (usually around 5 Å) are used in defining
the chemical environment. The purpose of this is to avoid having too many degrees of free-
dom in the chemical environment, which would greatly increase the difficulty of the training
process as well as the size of the reference dataset. For small systems with the periodic bound-
ary, the long-range interactions can be effectively included in the short-range interactions.
However, for large and/or non-periodic systems in condensed phases, such as biomolecules
like proteins, long-range interactions must be explicitly considered. Only very recently some
encouraging progress has been made [89,90].
Acknowledgment
This work was supported by the National Natural Science Foundation of China (Grants No. 22173032, 21933010). J.Z.
was supported in part by the National Institutes of Health (GM107485) under the direction of Darrin M. York. We also
thank the ECNU Multifunctional Platform for Innovation (No. 001) and the Extreme Science and Engineering Dis-
covery Environment (XSEDE), which is supported by National Science Foundation Grant ACI-1548562.56 (specifi-
cally, the resources EXPANSE at SDSC through allocation TG-CHE190067), for providing supercomputer time.
References
[1] R. Iftimie, P. Minary, M.E. Tuckerman, Ab initio molecular dynamics: concepts, recent developments, and future
trends, Proc. Natl. Acad. Sci. U. S. A. 102 (2005) 6654–6659.
[2] J.A. Harrison, J.D. Schall, S. Maskey, P.T. Mikulski, M.T. Knippenberg, B.H. Morrow, Review of force fields and
intermolecular potentials used in atomistic computational materials research, Appl. Phys. Rev. 5 (2018), 031104.
[3] P.E. Lopes, O. Guvench, A.D. MacKerell Jr., Current status of protein force fields for molecular dynamics sim-
ulations, Methods Mol. Biol. 1215 (2015) 47–71.
References 291
[4] T.B. Blank, S.D. Brown, A.W. Calhoun, D.J. Doren, Neural network models of potential energy surfaces, J. Chem.
Phys. 103 (1995) 4129–4137.
[5] G.E. Moyano, M.A. Collins, Molecular potential energy surfaces by interpolation: strategies for faster
convergence, J. Chem. Phys. 121 (2004) 9769–9775.
[6] M.J.T. Jordan, K.C. Thompson, M.A. Collins, Convergence of molecular potential energy surfaces by interpola-
tion: application to the OH+ H2!H2O+ H reaction, J. Chem. Phys. 102 (1995) 5647–5657.
[7] K.C. Thompson, M.J.T. Jordan, M.A. Collins, Polyatomic molecular potential energy surfaces by interpolation in
local internal coordinates, J. Chem. Phys. 108 (1998) 8302–8316.
[8] G.G. Maisuradze, D.L. Thompson, Interpolating moving least-squares methods for fitting potential energy sur-
faces: illustrative approaches and applications, J. Phys. Chem. A 107 (2003) 7118–7124.
[9] C. Qu, Q. Yu, J.M. Bowman, Permutationally invariant potential energy surfaces, Annu. Rev. Phys. Chem.
69 (2018) 151–175.
[10] J. Behler, M. Parrinello, Generalized neural-network representation of high-dimensional potential-energy sur-
faces, Phys. Rev. Lett. 98 (2007), 146401.
[11] A.P. Bartok, M.C. Payne, R. Kondor, G. Csanyi, Gaussian approximation potentials: the accuracy of quantum
mechanics, without the electrons, Phys. Rev. Lett. 104 (2010), 136403.
[12] S. Chmiela, A. Tkatchenko, H.E. Sauceda, I. Poltavsky, K.T. Schutt, K.R. Muller, Machine learning of accurate
energy-conserving molecular force fields, Sci. Adv. 3 (2017), 1603015.
[13] K.T. Schutt, F. Arbabzadah, S. Chmiela, K.R. Muller, A. Tkatchenko, Quantum-chemical insights from deep ten-
sor neural networks, Nat. Commun. 8 (2017), 13890.
[14] K.T. Schutt, H.E. Sauceda, P.J. Kindermans, A. Tkatchenko, K.R. Muller, SchNet - a deep learning architecture for
molecules and materials, J. Chem. Phys. 148 (2018), 241722.
[15] X. Chen, M.S. Jorgensen, J. Li, B. Hammer, Atomic energies from a convolutional neural network, J. Chem. The-
ory Comput. 14 (2018) 3933–3942.
[16] L.F. Zhang, J.Q. Han, H. Wang, R. Car, E. Weinan, Deep potential molecular dynamics: a scalable model with the
accuracy of quantum mechanics, Phys. Rev. Lett. 120 (2018), 143001.
[17] D. Lu, H. Wang, M. Chen, L. Lin, R. Car, E. Weinan, W. Jia, L. Zhang, 86 PFLOPS deep potential molecular dy-
namics simulation of 100 million atoms with ab initio accuracy, Comput. Phys. Commun. 259 (2021), 107624.
[18] Y. Zhang, C. Hu, B. Jiang, Embedded atom neural network potentials: efficient and accurate machine learning
with a physically inspired representation, J. Phys. Chem. Lett. 10 (2019) 4962–4967.
[19] P.O. Dral, F. Ge, B.X. Xue, Y.F. Hou, M. Pinheiro Jr., J. Huang, M. Barbatti, MLatom 2: an integrative platform for
atomistic machine learning, Top. Curr. Chem. 379 (2021) 27.
[20] P.O. Dral, MLatom: a program package for quantum chemical research assisted by machine learning, J. Comput.
Chem. 40 (2019) 2339–2347.
[21] J. Behler, Perspective: machine learning potentials for atomistic simulations, J. Chem. Phys. 145 (2016), 170901.
[22] M. Pinheiro, F. Ge, N. Ferre, P.O. Dral, M. Barbatti, Choosing the right molecular machine learning potential,
Chem. Sci. 12 (2021) 14396–14413.
[23] J.S. Smith, B.T. Nebgen, R. Zubatyuk, N. Lubbers, C. Devereux, K. Barros, S. Tretiak, O. Isayev, A.E. Roitberg,
Approaching coupled cluster accuracy with a general-purpose neural network potential through transfer learn-
ing, Nat. Commun. 10 (2019) 2903.
[24] C. Devereux, J.S. Smith, K.K. Davis, K. Barros, R. Zubatyuk, O. Isayev, A.E. Roitberg, Extending the applicability
of the ANI deep learning molecular potential to sulfur and halogens, J. Chem. Theory Comput. 16 (2020)
4192–4202.
[25] J. Behler, First principles neural network potentials for reactive simulations of large molecular and condensed
systems, Angew. Chem. Int. Edit. 56 (2017) 12828–12840.
[26] T. Morawietz, J. Behler, A full-dimensional neural network potential-energy surface for water clusters up to the
hexamer, Z. Phys. Chem. 227 (2013) 1559–1581.
[27] T. Morawietz, J. Behler, A density-functional theory-based neural network potential for water clusters including
van der Waals corrections, J. Phys. Chem. A 117 (2013) 7356–7366.
[28] M. del Cueto, X. Zhou, L. Zhou, Y. Zhang, B. Jiang, H. Guo, New perspectives on CO2–Pt(111) interaction with a
high-dimensional neural network potential energy surface, J. Phys. Chem. C 124 (2020) 5174–5181.
[29] C. Hu, Y. Zhang, B. Jiang, Dynamics of H2O adsorption on Pt(110)-(1 2) based on a neural network potential
energy surface, J. Phys. Chem. C 124 (2020) 23190–23199.
[30] X. Lu, X. Wang, B. Fu, D. Zhang, Theoretical investigations of rate coefficients of H + H2O2 ! OH + H2O on a
full-dimensional potential energy surface, J. Phys. Chem. A 123 (2019) 3969–3976.
[31] H. Wang, W. Yang, Toward building protein force fields by residue-based systematic molecular fragmentation
and neural network, J. Chem. Theory Comput. 15 (2019) 1409–1417.
[32] H. Wang, W.T. Yang, Force field for water based on neural network, J. Phys. Chem. Lett. 9 (2018) 3232–3240.
[33] O.T. Unke, D. Koner, S. Patra, S. K€aser, M. Meuwly, High-dimensional potential energy surfaces for molecular
simulations: from empiricism to machine learning, Mach. Learn.: Sci. Technol. 1 (2020), 013001.
[34] A. Jonayat, A.C. Van Duin, M.J. Janik, Discovery of descriptors for stable monolayer oxide coatings through ma-
chine learning, ACS Appl. Energy Mater. 1 (2018) 6217–6226.
[35] A.C. Rajan, A. Mishra, S. Satsangi, R. Vaish, H. Mizuseki, K.-R. Lee, A.K. Singh, Machine-learning-assisted ac-
curate band gap predictions of functionalized MXene, Chem. Mater. 30 (2018) 4031–4038.
[36] G. Pilania, J.E. Gubernatis, T. Lookman, Multi-fidelity machine learning models for accurate bandgap predic-
tions of solids, Comput. Mater. Sci. 129 (2017) 156–163.
[37] R. Jinnouchi, F. Karsai, G. Kresse, On-the-fly machine learning force field generation: application to melting
points, Phys. Rev. B 100 (2019), 014105.
[38] K. Yao, J.E. Herr, D.W. Toth, R. McKintyre, J. Parkhill, The TensorMol-0.1 model chemistry: a neural network
augmented with long-range physics, Chem. Sci. 9 (2018) 2261–2269.
[39] S. Kondati Natarajan, T. Morawietz, J. Behler, Representing the potential-energy surface of protonated water
clusters by high-dimensional neural network potentials, Phys. Chem. Chem. Phys. 17 (2015) 8356–8371.
[40] B. Jiang, J. Li, H. Guo, High-fidelity potential energy surfaces for gas-phase and gas–surface scattering processes
from machine learning, J. Phys. Chem. Lett. 11 (2020) 5120–5131.
[41] S. Manzhos, T. Carrington, Neural network potential energy surfaces for small molecules and reactions, Chem.
Rev. 121 (2021) 10187–10217.
[42] M. Meuwly, Machine learning for chemical reactions, Chem. Rev. 121 (2021) 10218–10239.
[43] J. Behler, Four generations of high-dimensional neural network potentials, Chem. Rev. 121 (2021) 10037–10072.
[44] M. Ceriotti, C. Clementi, O. Anatole von Lilienfeld, Introduction: machine learning at the atomic scale, Chem.
Rev. 121 (2021) 9719–9721.
[45] V.L. Deringer, A.P. Bartók, N. Bernstein, D.M. Wilkins, M. Ceriotti, G. Csányi, Gaussian process regression for
materials and molecules, Chem. Rev. 121 (2021) 10073–10141.
[46] A. Glielmo, B.E. Husic, A. Rodriguez, C. Clementi, F. Noe, A. Laio, Unsupervised learning methods for molec-
ular simulation data, Chem. Rev. 121 (2021) 9722–9758.
[47] B. Huang, O.A. von Lilienfeld, Ab initio machine learning in chemical compound space, Chem. Rev. 121 (2021)
10001–10036.
[48] F. Musil, A. Grisafi, A.P. Bartók, C. Ortner, G. Csányi, M. Ceriotti, Physics-inspired structural representations for
molecules and materials, Chem. Rev. 121 (2021) 9759–9815.
[49] A. Nandy, C. Duan, M.G. Taylor, F. Liu, A.H. Steeves, H.J. Kulik, Computational discovery of transition-metal
complexes: from high-throughput screening to machine learning, Chem. Rev. 121 (2021) 9927–10000.
[50] O.T. Unke, S. Chmiela, H.E. Sauceda, M. Gastegger, I. Poltavsky, K.T. Sch€ utt, A. Tkatchenko, K.-R. M€
uller, Ma-
chine learning force fields, Chem. Rev. 121 (2021) 10142–10186.
[51] J. Westermayr, P. Marquetand, Machine learning for electronically excited states of molecules, Chem. Rev. 121
(2021) 9873–9926.
[52] M. Xu, T. Zhu, J.Z.H. Zhang, Molecular dynamics simulation of zinc ion in water with an ab initio based neural
network potential, J. Phys. Chem. A 123 (2019) 6587–6595.
[53] M. Xu, T. Zhu, J.Z.H. Zhang, Automatically constructed neural network potentials for molecular dynamics sim-
ulation of zinc proteins, Front. Chem. 9 (2021), 692200.
[54] J. Zeng, L. Cao, M. Xu, T. Zhu, J.Z.H. Zhang, Complex reaction processes in combustion unraveled by neural
network-based molecular dynamics simulation, Nat. Commun. 11 (2020) 5713.
[55] J. Zeng, L. Zhang, H. Wang, T. Zhu, Exploring the chemical space of linear alkane pyrolysis via deep potential
GENerator, Energy Fuel 35 (2021) 762–769.
[56] A.C. Van Duin, S. Dasgupta, F. Lorant, W.A. Goddard, ReaxFF: a reactive force field for hydrocarbons, J. Phys.
Chem. A 105 (2001) 9396–9409.
[57] E. Wang, J. Ding, Z. Qu, K. Han, Development of a reactive force field for hydrocarbons and application to iso-
octane thermal decomposition, Energy Fuel 32 (2017) 901–907.
[58] T. Cheng, A. Jaramillo-Botero, W.A. Goddard, H. Sun, Adaptive accelerated ReaxFF reactive dynamics with val-
idation from simulating hydrogen combustion, J. Am. Chem. Soc. 136 (2014) 9434–9442.
References 293
[59] M. Rupp, A. Tkatchenko, K.R. Muller, O.A. von Lilienfeld, Fast and accurate modeling of molecular atomization
energies with machine learning, Phys. Rev. Lett. 108 (2012), 058301.
[60] J. Behler, Atom-centered symmetry functions for constructing high-dimensional neural network potentials, J.
Chem. Phys. 134 (2011), 074106.
[61] L. Zhang, J. Han, H. Wang, W.A. Saidi, R. Car, E. Weinan, End-to-end symmetry preserving inter-atomic poten-
tial energy model for finite and extended systems, NIPS’18: Proceedings of the 32nd International Conference on
Neural Information Processing Systems, Curran Associates Inc., Red Hook, NY, USA, 2018, pp. 4441–4451.
[62] M. Gastegger, L. Schwiedrzik, M. Bittermann, F. Berzsenyi, P. Marquetand, wACSF-weighted atom-centered
symmetry functions as descriptors in machine learning potentials, J. Chem. Phys. 148 (2018), 241709.
[63] J.S. Smith, O. Isayev, A.E. Roitberg, ANI-1: an extensible neural network potential with DFT accuracy at force
field computational cost, Chem. Sci. 8 (2017) 3192–3203.
[64] J. Zeng, T.J. Giese, S. Ekesan, D.M. York, Development of range-corrected deep learning potentials for fast, ac-
curate quantum mechanical/molecular mechanical simulations of chemical reactions in solution, J. Chem. The-
ory Comput. 17 (2021) 6993–7009.
[65] J. Behler, Neural network potential-energy surfaces in chemistry: a tool for large-scale simulations, Phys. Chem.
Chem. Phys. 13 (2011) 17930–17955.
[66] J.S. Smith, B. Nebgen, N. Lubbers, O. Isayev, A.E. Roitberg, Less is more: sampling chemical space with active
learning, J. Chem. Phys. 148 (2018), 241733.
[67] L.F. Zhang, D.Y. Lin, H. Wang, R. Car, E. Weinan, Active learning of uniformly accurate interatomic potentials
for materials simulation, Phys. Rev. Mater. 3 (2019), 023804.
[68] W. Wang, T. Yang, W.H. Harris, R. Gomez-Bombarelli, Active learning and neural network potentials accelerate
molecular screening of ether-based solvate ionic liquids, Chem. Commun. (Camb.) 56 (2020) 8920–8923.
[69] Q. Lin, Y. Zhang, B. Zhao, B. Jiang, Automatically growing global reactive neural network potential energy sur-
faces: a trajectory-free active learning strategy, J. Chem. Phys. 152 (2020), 154104.
[70] S.J. Ang, W. Wang, D. Schwalbe-Koda, S. Axelrod, R. Gómez-Bombarelli, Active learning accelerates ab initio
molecular dynamics on reactive energy surfaces, Chem (2021) 738–751.
[71] Z. Li, J.R. Kermode, A. De Vita, Molecular dynamics with on-the-fly machine learning of quantum-mechanical
forces, Phys. Rev. Lett. 114 (2015), 096405.
[72] B. Huang, O.A. von Lilienfeld, Quantum machine learning using atom-in-molecule-based fragments selected on
the fly, Nat. Chem. 12 (2020) 945–951.
[73] E.V. Podryabinkin, A.V. Shapeev, Active learning of linearly parametrized interatomic potentials, Comput. Ma-
ter. Sci. 140 (2017) 171–180.
[74] N.J. Browning, R. Ramakrishnan, O.A. von Lilienfeld, U. Roethlisberger, Genetic optimization of training sets for
improved machine learning models of molecular properties, J. Phys. Chem. Lett. 8 (2017) 1351–1359.
[75] Y. Zhang, H. Wang, W. Chen, J. Zeng, L. Zhang, H. Wang, E. Weinan, DP-GEN: a concurrent learning platform
for the generation of reliable deep learning based potential energy models, Comput. Phys. Commun. 253 (2020),
107206.
[76] Q. Lin, L. Zhang, Y. Zhang, B. Jiang, Searching configurations in uncertainty space: active learning of high-
dimensional neural network reactive potentials, J. Chem. Theory Comput. 17 (2021) 2691–2701.
[77] D. Sculley, Web-scale k-means clustering, in: Proceedings of the 19th international conference on World Wide
Web, 2010, ACM, 2010, pp. 1177–1178.
[78] H. Wang, L. Zhang, J. Han, E. Weinan, DeePMD-kit: a deep learning package for many-body potential energy
representation and molecular dynamics, Comput. Phys. Commun. 228 (2018) 178–184.
[79] M. Frisch, G. Trucks, H. Schlegel, G. Scuseria, M. Robb, J. Cheeseman, G. Scalmani, V. Barone, G. Petersson, H.
Nakatsuji, Gaussian 16, Revision A. 03, Gaussian Inc., Wallingford CT, 2016.
[80] S.Y. Haoyu, X. He, S.L. Li, D.G. Truhlar, MN15: a Kohn–Sham global-hybrid exchange–correlation density func-
tional with broad accuracy for multi-reference and single-reference systems and noncovalent interactions,
Chem. Sci. 7 (2016) 5032–5051.
[81] D. Lu, W. Jiang, Y. Chen, L. Zhang, W. Jia, H. Wang, M. Chen, DP Train, then DP Compress: Model Compression
in Deep Potential Molecular Dynamics, arXiv preprint, 2021. arXiv:2107.02103.
[82] H.M. Aktulga, J.C. Fogarty, S.A. Pandit, A.Y. Grama, Parallel reactive molecular dynamics: numerical methods
and algorithmic techniques, Parallel Comput. 38 (2012) 245–259.
[83] J. Zeng, L. Cao, C.H. Chin, H. Ren, J.Z.H. Zhang, T. Zhu, ReacNetGenerator: an automatic reaction network gen-
erator for reactive molecular dynamics simulations, Phys. Chem. Chem. Phys. 22 (2020) 683–691.
[84] V. Botu, R. Batra, J. Chapman, R. Ramprasad, Machine learning force fields: construction, validation, and
outlook, J. Phys. Chem. C 121 (2017) 511–522.
[85] J. Behler, Constructing high-dimensional neural network potentials: a tutorial review, Int. J. Quantum Chem. 115
(2015) 1032–1050.
[86] J.F. Xia, Y.L. Zhang, B. Jiang, Efficient selection of linearly independent atomic features for accurate machine
learning potentials, Chin. J. Chem. Phys. 34 (2021) 695–703.
[87] M. Xu, T. Zhu, J.Z.H. Zhang, Automated construction of neural network potential energy surface: the enhanced
self-organizing incremental neural network deep potential method, J. Chem. Inf. Model. 61 (2021) 5428–5437.
[88] G. Imbalzano, A. Anelli, D. Giofre, S. Klees, J. Behler, M. Ceriotti, Automatic selection of atomic fingerprints and
reference configurations for machine-learning potentials, J. Chem. Phys. 148 (2018), 241730.
[89] T.W. Ko, J.A. Finkler, S. Goedecker, J. Behler, A fourth-generation high-dimensional neural network potential
with accurate electrostatics including non-local charge transfer, Nat. Commun. 12 (2021) 398.
[90] A. Grisafi, M. Ceriotti, Incorporating long-range physics in atomic-scale machine learning, J. Chem. Phys. 151
(2019), 204105.
Another random document with
no related content on Scribd:
— Ah, quasi — ella ripetè cupamente. — Ci son dunque esempi di
navigli perduti senza che rimanga alcuna traccia di loro, senza che si
salvi un uomo dell’equipaggio, senza che una tavola galleggiante sul
mare dia un indizio della catastrofe?
Non potei negarle che di questi casi ce ne fossero, ma erano così
rari, così eccezionali da non doverci fermare il pensiero.
— Perchè vede, Ceriani — ella ripigliò — non so come sopporterei
l’annunzio positivo d’una sciagura; so che l’incertezza mi
ucciderebbe.... Ma, in nome del cielo — seguitò la povera signora
attorcigliando nervosamente il fazzoletto alle dita — si è poi fatto
tutto quello che si doveva per chiarire questo mistero?... Mio marito
lo afferma; io non lo credo.
Le enumerai le lettere, i telegrammi che si erano spediti; l’assicurai
che si sarebbe tornato a scrivere, a telegrafare.
Ella si strinse nelle spalle. — Scrivere? Telegrafare?... Ah se fossi un
uomo!
Qualcuno s’avvicinava, ed ella mi lasciò con queste parole,
slanciandomi uno sguardo metà di preghiera, metà di rimprovero.
Che pretendeva mai la signora Agnese? Ch’io andassi alla ricerca
del King Arthur come Stanley era andato alla ricerca di
Livingstone?... Ohimè, l’impresa dello Stanley era stata una follia
sublime; la mia non sarebbe stata che una follia ridicola.
Nè la signora Agnese me ne riparlò nei giorni seguenti. La sua
agitazione febbrile aveva ceduto il posto a una calma apparente che
ci impensieriva ancora di più. Ella stava per lunghe ore sdraiata sulla
sua poltrona nel salottino giapponese, senza un libro, senza un
lavoro, immersa in un cupo silenzio. A colazione, a pranzo, toccava
appena il cibo, pronunziava appena qualche monosillabo, si faceva
una legge di non menzionar mai nè il King Arthur, nè il capitano
Atkinson, nè la piccola Ofelia. Solo una volta ella scattò dalla
seggiola quando il dottor Gandolfi le suggerì un viaggetto di un
mese. — Quest’anno non mi muovo da Venezia — ella risposo in
tuono secco, reciso.
Passavano i giorni, passavano le settimane. Eravamo venuti a
sapere d’un tifone che aveva infuriato nei mari della China fra il 25 e
il 28 di giugno ed era penetrato nei nostri animi il convincimento che
in quella occasione appunto il King Arthur si fosse perduto con tutto
l’equipaggio. Ma mentre si conoscevano i nomi d’altri legni ch’erano
scampati miracolosamente al pericolo, e sbattuti, malconci avevano
dovuto ripararsi in qualcheduno di quei porti, del King Arthur
nessuno poteva dir nulla. Nessuno lo aveva visto dopo la sua
partenza da Hiogo.
Anche i danni materiali d’un simile stato di cose erano gravissimi. Le
rimesse fatte a Londra per rimborsare il nostro banchiere
importavano circa ottocentomila lire, somma della quale c’era forza
rimaner scoperti finchè fosse spirato il termine necessario per
acquistare il diritto d’abbandono verso le compagnie assicuratrici, e
non c’è casa di commercio, per potente che sia, a cui non dia
degl’impicci l’immobilizzare un capitale di quasi un milione.
Inoltre tutti i vantaggi sperati da un’iniziativa che doveva riaffermare
la superiorità della nostra ditta andavano in fumo per esser raccolti in
gran parte dai nostri rivali, i Gelardi, che avevano commesso a
Hiogo un carico di riso dopo di noi e che lo aspettavano entro
l’ottobre col vapore inglese The Iron Duke. Noi l’odiavamo questa
Iron Duke che seguiva la via tenuta dal King Arthur, che
probabilmente sarebbe passato sul punto ove il King Arthur era stato
inghiottito dalle onde. Non credo che nessuno di noi gli augurasse
un disastro, ma è certo che a sentirlo nominare ci si rimescolava il
sangue. E lo si sentiva nominare così spesso. I sensali, che in attesa
del King Arthur avevano imbastito degli affari con noi, adesso, con la
compunzione di chi fa una visita di condoglianza, venivano a
sciogliersi da ogni impegno e a dirci della dolorosa necessità in cui si
trovavano di trattare coi Gelardi per l’acquisto della merce di
prossimo arrivo con l’Iron Duke. E poi gli stessi Gelardi, alquanto
vanitosi per loro natura, stimavano opportuno di comunicare ai
giornali cittadini le varie tappe del loro bastimento. Era partito il tal
giorno da Hiogo; aveva nel tal altro toccato Point-de-Galle; era
passato per Aden, era a Suez.... Il comandante dell’Iron Duke non
faceva economia di telegrammi.
Finalmente, ai primi di novembre, una mattina, il bastimento entrò in
porto e andò ad ancorarsi alla Giudecca, proprio dove, in aprile, era
ancorato il King Arthur. Ed io procurai nella giornata medesima di
vedere il capitano per chiedergli se gli fosse venuta all’orecchio
nessuna voce circa al vapore che due mesi prima di lui aveva
lasciato il Giappone alla volta di Venezia. Ma egli non ne sapeva più
di quello che ne sapevamo noi.
Quando tornai in banco dopo questa mia pratica vana, il principale
mi disse: — Mia moglie ha ragione. L’incertezza è il peggiore dei
mali, e una speranza voluta conservare a ogni costo è una fonte
perenne d’inquietudine.... Ma che speranza? — egli corresse con un
gesto d’impazienza. — Noi non ne abbiamo più; noi non dubitiamo
che il King Arthur sia perduto.... Ci manca però la forza di
rassegnarvisi finchè non abbiamo in mano un documento, una
prova.... Ah, questa prova, questa prova chi ce la darà?
Mi guardò in un modo singolare e soggiunse: — Senta, Ceriani. Il
viaggio d’esplorazione che l’Agnese parve consigliarle tempo
addietro è, anche a’ miei occhi, una cosa assurda. Nondimeno
qualche passo si potrebbe fare. Una corsa in Inghilterra per
esempio, tanto da vedere gli armatori, da consultarsi con persone
esperimentate, da recarsi agli uffici del Lloyd ove ci son notizie di
tutto il mondo?... Andrei io, se non avessi scrupolo di piantar quella
disgraziata.... Lei, Ceriani, lei ch’è giovine, ch’è libero, avrebbe
difficoltà di partire per Londra al più presto, domani sera, per
esempio?...
Sollevai alcuni dubbi sull’utilità di questa gita, ma difficoltà ad
abbandonar Venezia per un quindici o venti giorni non ne avevo
affatto. In fondo, lo confesso, l’offerta mi tornava gradita, perchè
ormai il King Arthur pesava sul banco come un incubo. Ora,
quest’incubo io l’avrei subìto anche durante le mie peregrinazioni
che avevano per iscopo preciso di far nuove indagini sulla sorte del
naviglio: ma mi sorrideva l’idea di cambiar aria, di sostituire una
ricerca attiva (fosse pure infruttuosa) a una preoccupazione inerte e
opprimente.
VI.
Partii dunque, munito d’una quantità di commendatizie, partii senza

congedarmi dalla signora Agnese ch’era indisposta, e nel cui animo,
del resto, era inutile far sorgere aspettazioni che non si sarebbero
adempiute.
Che dirò del mio viaggio? Fui a Londra, fui a Glascow, fui a
Liverpool; parlai con gli armatori del King Arthur, mi rivolsi a quel
meraviglioso centro d’informazioni ch’è il Lloyd, conobbi il
comandante d’un vapore ch’era stato investito dal tifone dal 25 al 28
giugno, e non per questo riuscii a dissipare l’oscurità che avvolgeva
il nostro vascello fantasma. M’accorsi bensì che del King Arthur si
discorreva universalmente come di chi sia morto e sepolto da un
pezzo. O, per esser più esatto, m’accorsi che si cominciava a
discorrerne meno, come d’un fatto ormai vecchio.
Gli armatori, ricchi a milioni, proprietari d’una dozzina di piroscafi
sparsi per tutti gli Oceani, erano più che addolorati, inaspriti contro il
capitano Atkinson. Lo accusavano d’imprudenza; già un’altra volta,
parecchi anni addietro, egli aveva, per la sua temerità, tratto a
perdizione un naviglio. Ma allora almeno s’era salvata la gente.
Questa circostanza che noi ignoravamo non era però ignorata dal
Lloyd. Mi mostrarono colà il Captain’s Register, specie di dizionario
biografico dei capitani mercantili inglesi, ove nella forma più succinta
possibile si contengono importanti notizie relative a ciascuno di loro.
E sotto il nome del capitano Giorgio Atkinson, dopo la data e il luogo
della nascita, dopo altre indicazioni varie, si leggevano queste brevi
parole: Lady Hamilton, st. 1863-65 — lost on the 10th May 1865, off
the Isle of Majorca; ciò che significava che il capitano Atkinson avea
dal 1801 al 1865 comandato il vapore Lady Hamilton, e che questo
vapore s’era perduto in vicinanza dell’isola di Majorca il 10 maggio
1865.
— Una disgrazia può succedere al più provetto, — notò la mia guida
chiudendo il volume accusatore; — è però sempre una cattiva
raccomandazione.
Del resto, anche pel Lloyd, il King Arthur era un legno a cui si poteva
recitare il de profundis. Quei preposti, con molta cortesia, mi
lasciarono vedere la corrispondenza, quasi esclusivamente
telegrafica, scambiata coi loro agenti del Giappone, della China,
dell’India su questo argomento. Con parole diverse si arrivava
sempre alla identica conclusione: testimonianze oculari non ce
n’erano, avanzi del bastimento non se ne trovavano, ma il King
Arthur doveva esser naufragato tra il 25 e il 28 giugno. La miglior
prova era la mancanza di qualunque notizia da pressochè cinque
mesi. Nello stato presente delle comunicazioni postali e telegrafiche,
in una navigazione per mari frequentatissimi, ciò non si spiegava che
con un disastro.
E poichè io stentavo a capacitarmi di questa scomparsa assoluta
d’un bastimento, fui condotto in un’altra camera e invitato a dare
un’occhiata alla lista dei missing vessels, cioè dei vascelli mancanti,
su cui pesava lo stesso mistero che sul King Arthur, ma di cui non si
poteva mettere dubbio che fossero stati inghiottiti dal mare con tutti i
loro attrezzi, con tutti i loro uomini. La lista non si riferiva che a pochi
anni, eppure era così lunga. Vi figuravano legni grandi o piccoli, a
vapore ed a vela, col loro nome, col nome del loro capitano, con
l’indicazione del porto dal quale erano partiti e di quello al quale
erano diretti, con la data dell’ultime notizie.... Poi, più nulla.
— E il King Arthur? — chiesi all’impiegato che mi accompagnava.
— Non c’è ancora, — egli mi rispose. — Lo registreremo presto....
Bisogna che passi un certo numero di mesi.
Io non sapevo staccar lo sguardo da quella pagina. Pensavo a tante
tragedie di cui l’Oceano chiude il secreto, a tante esistenze troncate,
a tanti gemiti, a tante imprecazioni, a tante preghiere soffocate dal
fragore del vento e dei flutti. E pensavo alla piccola Ofelia. La
rivedevo nella sala del palazzo Prosperi, ilare e vispa, co’ suoi riccioli
biondi che le svolazzavano sulla fronte; la rivedevo tra il cane Tom e
la signora Agnese. Povera, povera bambina! S’era accorta
dell’imminente catastrofe? O aveva cambiato il sonno con la
morte?... Ma più ancora che ai naufraghi pensavo a quelli che
aspettano.... Madri che l’inutile attesa precipita nella decrepitezza e
nell’imbecillità, spose che avvizziscono nella forzata vedovanza e
che dopo aver pianto tutte le loro lacrime dimandano invano la
libertà di aprir il cuore a nuovi affetti, di farsi una nuova famiglia....
L’impiegato del Lloyd indovinò in parte ciò che mi si agitava nella
mente e disse: — Tristi cose. Ma che sono i legni mancanti, che
sono i legni perduti in confronto di quelli che corrono i mari e
tengono alta la bandiera britannica? La lista dei missing vessels, il
loss-book, sono come il nostro necrologio, e qual’è la famiglia ove
non muoia qualcuno? Che famiglia numerosa sia la nostra lo si rileva
dal nostro registro nautico, il libro dei vivi. Erano l’anno scorso più di
dodici mila navigli.... nè il registro comprende tutti i legni della marina
mercantile inglese.... Sicuro, di quando in quando ci capita un
dispaccio annunziante un disastro, ma novanta volte su cento i
telegrammi che riceviamo a ogni ora del giorno ci parlano di
bastimenti arrivati, di bastimenti partiti, di bastimenti apparsi in
qualche punto remoto del globo e che mandano un saluto alla patria
lontana.... Eh, non ci resta mica tempo d’indugiarci troppo a pianger
sui morti.
Orgoglioso della grandezza della sua patria, della grandezza
dell’istituzione alla quale egli apparteneva, il mio interlocutore, uomo
dall’aria positiva quanto mai, diventava poeta. E io subivo, mio
malgrado, il fascino della sua eloquenza e nelle linee maestose del
quadro ch’egli mi tracciava vedevo ridursi alle proporzioni d’un
dramma domestico il pietoso episodio del King Arthur. Ripetevo a
me stesso quella frase crudele: Non ci resta tempo d’indugiarci
troppo a pianger sui morti — e mi pareva che, pronunziata in quella
sala ove fa capo il commercio marittimo del mondo, ella perdesse
alquanto della sua brutalità. Non ceder mai nè all’accidia, nè allo
scoraggiamento, nè al sentimentalismo, ecco il segreto della forza e
della potenza.
Comunque sia, io ero già al termine della mia missione senz’aver
raggiunto il fine sperato. Indizi in quantità, certezza morale fin che si
vuole; ma prove materiali, palpabili, nessuna. Da Venezia Prosperi
mi scriveva lasciando in mia facoltà di spingermi magari all’India, alla
China, al Giappone se credevo al risultato pratico di questo
viaggio.... Io però non ci credevo, nè ci credeva alcuno di quelli a cui
ne parlai. — Dove andreste? — mi si diceva. — È un’ipotesi
ragionevole che il King Arthur si sia perduto nel tifone dal 25 al 28
giugno. Ma è sempre un’ipotesi. E in ogni modo, pur riuscendo a
precisare il raggio di quel tifone, come scoprirete il punto ove il
bastimento si è sommerso? Che esercito di palombari prenderete
con voi? E vi par possibile ch’essi discendano a una profondità di
migliaia e migliaia di metri?
Quest’era vero, ma io obbiettai che forse qualche uomo
dell’equipaggio s’era salvato, rifugiato in un’isola, in una spiaggia
deserta, che forse si poteva trovarlo....
I miei ascoltatori sorrisero. — Non è più il tempo di Robinson
Crusoè.
Un po’ perchè queste riflessioni non facevano che crescere la mia
sfiducia, un po’ perchè m’impregnavo anch’io della maschia filosofia
anglo-sassone che ci stimola a guardare dinanzi e non dietro a noi,
io abbandonai l’impresa e feci ritorno in Italia. Era inutile ostinarsi, io
dissi al mio principale, era inutile sprecar l’energia, l’ingegno, il
danaro in ricerche fantastiche. Dovevamo mettere il nostro cuore in
pace, dimenticare il King Arthur, lavorar con lena raddoppiata,
mantenere alla nostra casa il posto che le spettava pe’ suoi capitali,
per la sua riputazione, per l’abilità riconosciuta di chi la dirigeva. Nel
fervore del discorso mi sfuggì un’allusione alla frase udita negli uffici
del Lloyd circa alla necessità di non indugiarsi troppo a piangere i
morti.
Il principale m’interruppe. — Non si tratta di morti, caro Ceriani....
almeno per me.... Per me si tratta d’una persona viva che amo e che
avrei voluto render felice a costo del mio sangue, mentre invece un
fatale concorso di circostanze volge ad effetto contrario tutti i miei
sforzi.... Ah è facile dire: quella persona è un’esaltata, ingigantisce i
suoi dolori, non apprezza convenientemente i beni che possede, va
in traccia dello strano, del singolare.... È facile rimproverarle il suo
cieco trasporto per una bambina appena conosciuta, la sua
mancanza di rassegnazione ai decreti della Provvidenza. È facile
infine citarle tante donne che hanno la saviezza di contentarsi di ciò
che hanno, di non accasciarsi sotto il peso di sventure molto più
grandi di quella che l’ha colpita.... Ragioni belle, buone, sacrosante,
ma che non concludono nulla.... Le cose non sono quelle che
dovrebbero essere, ma quelle che sono.... Il fatto si è che le
condizioni di mia moglie sono tali da destar le più legittime
apprensioni.... Quel pensiero assiduo che la tormenta, logora la sua
salute e pur troppo ha un’azione funesta anche sulla sua
intelligenza. La vedrà, Ceriani, la vedrà.... Non è già che ella parli di
continuo del King Arthur o dell’Ofelia; sarebbe meglio che ne
parlasse.... ma si capisce che la sua mente è sempre lì, e la sua
fissazione di voler passar quasi l’intera giornata in quello ch’ella
chiama il suo salottino giapponese basta a dimostrarlo.... Via, siamo
giusti, data una natura nervosa come quella dell’Agnese, non poteva
accader di peggio.... Se lo sciagurato King Arthur si fosse perduto
come si perdono centinaia di navi non saremmo a questo punto.... È
per ciò ch’io insistevo per aver una prova.... Non la si è potuta avere,
pazienza.... Non ne ha colpa nessuno.... Intendo benissimo che
sarebbe una follia il girare il mondo in cerca di un bastimento.... Ma
bisogna convenire ch’è un destino iniquo. E vi sarà della gente che
c’invidia perchè siamo ricchi!
Il signor Roberto non esagerava accennando alle tristi condizioni di
sua moglie. La vidi nella giornata e mi fece una pena immensa.
Aveva dato un crollo in poche settimane. Era ridotta a pelle ed ossa,
aveva gli occhi infossati e più d’un filo bianco si mesceva a’ suoi bei
capelli biondi.... E quello sguardo, quello sguardo!
Mi accolse con una cortesia fredda, ben diversa dall’espansione
ch’ella m’aveva dimostrata negli ultimi tempi. Circa al mio viaggio, mi
disse soltanto: — Non ha saputo nulla.... Già era da immaginarselo.
Lieto ch’ell’avesse rotto il ghiaccio, mi credetti incoraggiato a riferirle
le indagini che avevo fatte, i nuovi indizi che avevo raccolti, i discorsi
che avevo sentiti, la dolorosa convinzione che avevo acquistata
dell’inutilità di ulteriori pratiche per accertare un avvenimento su cui
pur troppo non v’era più dubbio. M’aspettavo ch’ella protestasse
contro le mie parole, che, in un modo o nell’altro, ella sfogasse il suo
dolore.... Niente di tutto ciò.... Teneva la testa chinata sul petto, le
mani incrociate sulle ginocchia, non dava segno di approvazione o
dissenso.
Nell’uscire dalla stanza il signor Roberto sospirò: — È uno strazio.
Così non può durare....
Tale era anche la mia opinione. Ma c’ingannavamo tutti e due. Anzi,
in quanto a salute, la signora Agnese migliorò, riprese un po’ di
polpa e di colore. Non migliorò invece il suo stato morale, non ci fu
verso di scuotere il letargo nel quale ell’era piombata. Ella non
trovava qualche lampo d’energia che per respinger qualunque
proposta suo marito le facesse di viaggi o di distrazioni d’altra
natura.
Compiuto l’anno, gli assicuratori pagarono il risarcimento che ci
spettava, e nella pagina del nostro registro mercanzie intestata al
Riso giapponese col “King Arthur„ noi potemmo inscrivere nella
colonna dell’avere ch’era ancora in bianco la cifra rotonda di un
milione di lire, chiudendo con un utile ragguardevole questo conto,
nonostante le spese impreviste, nonostante la perdita degl’interessi.
Furono pagate contemporaneamente anche le 25 mila lire del
salottino giapponese ch’era stato assicurato a parte.
— Sia ringraziato il cielo, — esclamò quel giorno il ragioniere della
ditta. — Quelle due partite aperte gettavano un’ombra sinistra
sull’intera azienda.... Adesso che ci si è messa su una bella pietra
sepolcrale, si potrà respirar meglio e muoversi con più libertà.
Ebbene, quel giorno stesso il signor Roberto mi esternava per la
prima volta la sua intenzione di liquidare la casa. Non aveva più
amore al lavoro, non aveva più ambizione, non aveva più elasticità di
fibra e di spirito. Sentiva di non esser l’uomo d’un tempo,
d’infastidirsi a ogni contrarietà, di smarrirsi a ogni dubbiezza; quei
lunghi mesi d’ambascia l’avevano spossato, affranto. E poi con che
sugo avrebbe seguitato a logorare il cervello nelle intricate
combinazioni del commercio moderno?... Non aveva figliuoli e non
isperava d’averne; sua moglie non abbisognava di maggiori
ricchezze per vegetar come faceva; le occorrevano soltanto delle
cure sollecite, attente, e queste cure toccava a lui di prestargliele.
Con la coscienza delicata dei buoni egli si caricava di colpe
immaginarie. — Dovevo entrar subito nell’idea dell’Agnese, — egli
ripeteva, — e far sì che il capitano ci lasciasse la bambina
addirittura, chè già con un po’ d’insistenza la si sarebbe spuntata....
Oppure dovevo tagliar corto, dichiarar che non volevo l’Ofelia in casa
nè prima nè dopo, impedire a quella funesta tenerezza di nascere, di
crescere. Il mezzo termine adottato fu la cagion vera di tante
disgrazie.
Ohimè, la vera cagione era da cercarsi nella mente non equilibrata
della signora Agnese, ma questo il signor Roberto non intendeva
ammetterlo. Fermo nel tenersi responsabile di tutto, egli diceva che il
far l’infermiere era per lui, oltre che un debito d’affetto, una giusta
espiazione.
E persisteva nel proposito di ritirarsi dai traffici. Solo studiava il modo
di provvedere all’avvenire de’ suoi commessi, di volgere a loro
vantaggio il credito e le relazioni della sua ditta.
Di qui l’accomandita della quale io sono il gerente e che mi permise
di conservare intimità di rapporti con l’ottimo uomo. Però tra noi non
si discorre d’affari che quando io gli presento il bilancio, e anche
allora se ne discorre poco perchè egli ha in me una fiducia che credo
di non avere demeritata. Anzi talvolta egli mi rimprovera
scherzosamente di aumentar troppo il suo patrimonio.
Per lo più egli mi parla di sua moglie ch’egli ama con l’antico
trasporto e ch’è sempre nel medesimo stato, sospesa tra la sanità e
la malattia, tra la saviezza e la demenza. Quand’io vado a visitarla, e
ci vado ogni tre o quattro settimane, ella mi riconosce, mi porge la
mano, mi ringrazia d’essermi ricordato di lei, mette insieme poche
frasi insignificanti, e quindi ricade in un silenzio penoso. Ma se mi
alzo per accommiatarmi si scuote, e non manca di dire: — Torni: Già
mi trova al solito posto, nel mio salottino giapponese.
E nel salottino che conserva per ironia questo nome si vedono
ancora le fotografie dell’Ofelia e del King Arthur. Ma i mille ninnoli,
ma le lacche colorate, ma gli specchi dipinti, ma le mensole, i vasi
che dovevano adornare il salottino giapponese, dove sono? Dov’è il
King Arthur, dov’è la gentile Ofelia, dov’è il capitano Atkinson, dov’è
il cane Tom? Su quali alghe riposano, quanto mare li copre, chi
saprà mai nulla di loro?
· · · · · · · · · · · · · · · ·
NELL’ANDARE AL BALLO.
Il servo picchiò leggermente all’uscio, e disse con qualche

esitazione: — Signora....
Sola nel suo salottino, la signora Stella Marioli ripassava della
musica al pianoforte. Un resto di legna si consumava, scoppiettando,
nel caminetto; sopra una tavola sparsa di libri e giornali ardeva un
lume a Carvel.
— Che c’è? — chiese la signora, voltandosi sulla sedia.
— C’è una visita.
— A quest’ora? Lo sapete bene che di sera non ricevo.
— Lo so.... Ma il cavalier Gualberti mi ha ordinato di annunziarlo
ugualmente.
— È Gualberti? — soggiunse la signora Marioli come parlando tra
sè. — E pensò che per due volte consecutive egli era venuto di
giorno senza trovarla in casa. A ogni modo.... — Basta.... Che entri,
— ella disse a voce alta. — E portate da fare il tè.
Spense le due candele del pianoforte e andò a sedere accanto alla
tavola.
Era una donna sulla trentina, non bellissima ma piacente, vedova da
più di tre anni, senza figliuoli; chè il suo primo e unico bimbo l’era
morto in fasce. Viveva con la sua mamma ch’era vedova anch’essa;
ma i due quartierini erano perfettamente disobbligati con porta e
ingresso a parte. Madre e figliuola avevano spiriti indipendenti e
gusti alquanto diversi. Era poi questo spirito indipendente che
rendeva la signora Stella aliena dal rimaritarsi, quantunque, pur che
avesse voluto, non le sarebbero mancate le occasioni. Ma era ben
provvista di beni di fortuna, era in grado di saper difendersi dalle
insidie; che furia doveva avere di rimettere il collo sotto il giogo?
— In verità, Gualberti.... — ella cominciò rivolgendosi all’inatteso
visitatore con aria di mite rimprovero. Ma, al vederlo in abito nero e
cravatta bianca, soggiunse scherzosamente: — Meno male che non
sono che una stazione intermedia.... Via, sedete pure.... Già una
rondine non fa primavera.
Da un pezzo la signora Marioli dava del voi a Gualberti.
— Oh, signora Stella, — egli disse, — non sia così cattiva. Ho
commesso un’indiscretezza, lo so, ma passavo di qui e non ho
potuto resistere alla tentazione. Di giorno non mi riesce mai....
— Mi dispiace che abbiate fatto due volte la strada per nulla. Ero
fuori.... Di venerdì però....
— Il suo giorno di ricevimento?... Non me ne discorra neanche....
Abborro i giorni di ricevimento in generale e il suo in particolare.
— Perchè il mio più degli altri?
— Perchè un salotto pieno di visite è tanto più odioso quanto più è
simpatica la padrona di casa.
— Devo ringraziarvi del madrigale?
— Non è un madrigale; è l’espressione schietta del mio pensiero. E
poi, non lo nego, divento un selvaggio.
— Voi? Non si direbbe. — E la signora Stella diede un’occhiata alla
toilette inappuntabile di Gualberti. Quindi esclamò picchiandosi la
fronte:
— Adesso capisco.... Andate al ballo della contessa Vetturi....
— Sono uscito di casa con questa intenzione, ma....
— Non c’è ma che tenga. Se credete che la Vetturi vi passerebbe
buona la vostra diserzione, v’ingannate a partito.... E fulminerebbe
me se potesse supporre che ne fossi la causa.... Oh non voglio
correre di questi pericoli..... Sono terribili le collere della Vetturi.
— Lei le affronta impavida.... perchè sarà invitata anche lei....
— Oh, il mio è un invito platonico.... Sanno bene che non vado a
feste.... Ma voi....
— Sicchè mi licenzia.... Mi spedisce dalla Vetturi a veder accendere i
lumi.
La signora Stella guardò l’orologio.
— Infatti è presto; sono le nove e tre quarti. Vi concedo di rimaner
fino alle dieci e mezzo, il tempo da prendere una tazza di tè che vi
preparo subito.... Da qui a casa Vetturi ci saranno quindici o venti
minuti di strada; arriverete alle undici; proprio l’ora giusta.
— E dire che rinunzierei tanto volentieri ad andarvi.
— Caro amico, quando non si vuole andare a una festa, non si
comincia col mettersi in frac paré.
— È inesorabile.... Bisogna perdonare alle contraddizioni umane....
Mi son vestito macchinalmente, per forza d’inerzia; adesso domando
a me stesso che cosa vado a fare dalla Vetturi.
— Oh bella, quello che ci faranno gli altri. Ballerete.
— Se non ballo più.
— Vedrete a ballare.
— Non mi piacciono che i balli d’adolescenti.
— Carino, carino. Bals d’enfants addirittura.
— Anche i bals d’enfants. Ma, scherzi a parte, il ballo, se non vuol
essere una cosa ridicola agli occhi di chi vi assiste, deve apparir lo
sfogo ingenuo di una vitalità esuberante. E tale è appunto pei
giovani che hanno un bisogno irresistibile di muoversi, di saltare, di
volare, sarei per dire. Più tardi, dopo vent’anni per le femmine, dopo
venticinque per i maschi, esso non è che un libertinaggio o una
pagliacciata.
— Nientemeno! — proruppe la signora Marioli. — Sicchè voi,
consentaneo ai vostri principî, avete cessato di ballare a
venticinqu’anni?... Io ritenevo....
— Che avessi ballato anche dopo? Lo ammetto. Ma questo non
prova nulla....
— Sarà. Gradirei sapere a ogni modo se ballando nella vostra età
matura facevate atto di libertino, o di...
La signora Stella non finì la frase. Gualberti la finì lui.
— O di pagliaccio? Ecco, siccome l’andar in giro come una trottola
mi pareva supremamente grottesco, crederei piuttosto....
E si fermò lì.
— Intendo, — disse la signora. — La vostra era una colpa di
libertinaggio.... E chi sa che giudizi pronunciavate in cuor vostro sul
conto di quelle povere diavole che accettavano il vostro invito per
una polka o per un valzer?... Buon per me che non abbiamo mai
ballato insieme.
— Io non mi ricordo di averla mai vista ballare, — replicò Gualberti.
— È vero. Anche quando viveva mio marito ballavo pochissimo....
Non in omaggio alla vostra teoria, ma perchè vado soggetta alle
vertigini.... E se ci fosse una signora Gualberti, levatemi una
curiosità.... è il vizio di noi donne l’esser curiose.... come vi
regolereste con la signora Gualberti?
— Eh, chi può dire quel che farei? Se l’amassi, sarei debole, cederei
probabilmente a’ suoi desideri. Ma non nego che dovrei mandar giù
di gran bocconi amari a vederla palleggiata dalle braccia dell’uno a
quelle dell’altro. Senza contare ciò che vien dopo.... Ogni imbecille
che ha ballato con madama si crede in obbligo di portar la mattina
seguente i suoi biglietti da visita, in duplo come le quietanze, che il
marito babbeo è costretto a ricambiare, dando in questo modo la
facoltà a uno stuolo di cretini di venire in casa a corteggiargli la
moglie.
La signora Stella si mise a ridere.
— Che moralista diventate invecchiando, e che marito geloso
sareste!
— Geloso?... Secondo.... Se amassi mia moglie.... Sia sincera,
signora Stella, crede possibile amore senza gelosia?
— No, — ella rispose dopo averci pensato su un momento. — Pur di
non eccedere.
— D’accordo. È come il sale nelle vivande. Non si può farne senza,
ma non si deve abusarne.
— Parlate per aforismi stasera.... Ma torniamo a bomba.... Il vostro
programma coniugale è tuttora oscuro.
— Ha voglia di divertirsi alle mie spalle, lei, — esclamò il cavalier
Gualberti. — Che programma posso avere? È sicuro però che non
adotterei il sistema di coloro i quali nel gran numero di galanti lasciati
ronzare intorno alla moglie vedono una specie di salvaguardia contro
maggiori pericoli.... Tanto più ch’io ho certe opinioni tutte mie.... È la
sera che la faccio maravigliare coi miei paradossi.... Se gliene
dicessi un altro?
Durante questo tempo la signora Stella era stata sempre in piedi
affaccendata intorno alla teiera; adesso il tè era fatto ed ella ne
mescè una tazza al Gualberti, dicendogli:
— Mettete voi a vostro piacere lo zucchero, la panna e il rhum, e
spifferate pure il vostro ultimo paradosso.... Perchè è l’ultimo; sono
già le dieci e mezzo.
— Non baderà poi al minuto. Il mio paradosso è questo. La colpa
che perdono meno alla donna è la civetteria.
— Misericordia! — gridò la padrona di casa alzando le mani al cielo.
— A dir queste cose v’inimicherete l’intera corporazione.... S’è già
passato in giudicato che siamo civette tutte quante?
Gualberti fece un moto vivace di protesta.
— Nemmen per sogno.... Ne conosco una per esempio....
La signora Marioli gli accennò con la mano di non continuare.
— Son io quella, s’intende.... Gualberti, stasera siete in vena
d’originalità; non naufragate in un bicchier d’acqua.
— Le giuro che....
— Tiriamo via.... E invece di perdervi in cerimonie, spiegatevi
meglio.... Per voi dunque la civetteria è un peccato mortale.
— Sarò ingiusto, sarò eccessivo.... Ma già me ne rifaccio con un
eccesso d’indulgenza per altri peccati.
— Oh!... Per esempio?
— Io compatisco la sensualità, compatisco e spesso rispetto la
passione, anche illegittima.
— E non compatite la civetteria?
— No. La sensualità ha qualche cosa d’irresponsabile, è una
malattia del sangue, come la passione è una malattia, una nobile
malattia, del cuore. Sensualità e passione sono necessariamente
sincere; la civetteria non è che un artifizio; è un pervertimento
dell’ingegno rivolto a miseri fini, è un gioco crudele che alla lunga
spegne nell’animo di chi lo fa ogni lampo di gentilezza.... La donna
può esercitarvisi per anni senza restar presa nei lacci che tende; non
importa, ella è mille volte più corrotta, mille volte più condannabile di
quella che ha ceduto all’amore, qualunque sia quest’amore....
— Onde alla signora Gualberti, se ci fosse, — ripigliò in tuono
scherzevole la signora Stella — voi perdonereste un amante, due
amanti....
— Come corre! Veda.... Bisogna distinguere. Quando una donna
maritata ha un amante, il marito è un offeso, e chi è offeso non
guarda tanto pel sottile; non considera il fatto in sè stesso, ma il
danno, la vergogna, il ridicolo che ne deriva a lui.... È probabile ch’io
sarei come gli altri, è possibile che scaccerei dal mio fianco la donna
colpevole.... a’ miei occhi indubbiamente colpevole.... ma non credo
che da una catastrofe di questo genere mi sentirei umiliato come
dall’aver una moglie che tenesse a bada una dozzina di bellimbusti e
girasse tutta la sua vita intorno all’adulterio senza cadervi mai.
— Avete finito?
— Ho finito.
— Ebbene, quantunque siano le dieci e tre quarti, voglio dire anch’io
due parole.... Figuratevi se non protesto in nome del mio sesso
contro le vostre esagerazioni.... Una seconda tazza di tè?
— Sì, grazie, — rispose Gualberti, il quale non domandava di meglio
che di esser trattenuto.
— Nella vostra filippica ci può anche essere un fondo di vero —
soggiunse la signora Stella mentre gli porgeva la tazza colma, —
ma, santo Iddio, le cose che vi dispiacciono le vedete con una lente
d’ingrandimento che vi muta una zanzara in un elefante. Non amo
neppur io la civetta di professione, ma un po’ di civetteria non è poi
quel delitto abbominevole che voi credete. È la nostra arma, la
nostra difesa, la nostra vendetta contro voi altri.
— Una vendetta?
— Appunto, e non è difficile a intenderlo. Con voi uomini una donna
che non sia nè vecchia nè brutta (e già le brutte e le vecchie le
lasciate in disparte) non ha che tre vie da tenere. O consente a
sacrificarvi la sua riputazione, o vi mette alla porta ch’è quello che
meritereste spessissimo, o si prende argutamente gioco di voi.... Ora
capirete che sacrificarvi la propria riputazione è novantanove volte
su cento una follìa, e che il darvi lo sfratto ci condannerebbe
all’isolamento. Non resta quindi che il terzo partito. Con che fronte
venite ad accusarci di finzione, d’artifizio? Siete schietti, siete sinceri
voi altri? Che cosa sono le vostre frasi sdolcinate, le vostre
dichiarazioni patetiche? Sono la bandiera con cui tentate far passare
di contrabbando un vostro desiderio, un vostro capriccio. Voi
c’insultate, noi vi canzoniamo. Ve lo ripeto, io non amo le civette in
genere, però quando sento che una civetta ha corbellato un libertino
biasimo forse la donna, ma in quanto all’uomo dico: Bene gli sta.
— Ah, signora Stella, — replicò Gualberti deponendo la chicchera
sulla tavola. — si capisce che c’è un grande spirito di solidarietà fra
le donne se le migliori prendono con tanto fuoco le parti delle
peggiori!... Cercar scuse alle civette, lei che non ha ombra di
civetteria?
— Ne siete sicuro? E, in ogni caso, credete di farmi un elogio? Se
fosse un difetto? Se per lo meno fosse una disgrazia?
— Come mai?
Ella soggiunse con un sorriso triste:
— Eh caro Gualberti, è quello che dicevo poco fa.... Non volersi
compromettere con uno, non voler prendersi gioco di molti, è il vero
modo di restar sole.
Le parve di essersi lasciata sfuggire qualche parola di troppo e si
alzò bruscamente dalla seggiola.
— Basta così, ormai.... Voi mi avete sciorinato le vostre massime; io
ho rintuzzato la vostra baldanza maschile.... vi ritenete sempre
impeccabili voi uomini.... adesso non mi resta altro che darvi la
felicissima notte e augurarvi buon divertimento dalla Vetturi.
Gualberti s’era alzato anche lui, e stava forse per accommiatarsi
definitivamente, quando ad un tratto abbassò gli occhi sullo sparato
della camicia e mise un piccolo grido.
— Che cos’è accaduto?
— È accaduto.... — rispose alquanto confuso Gualberti — che dalla
Vetturi non ci posso andar più.
— E perchè?
— Perchè m’accorgo d’essermi fatta una macchia di tè sulla camicia.
La signora Stella non potè a meno di sorridere.
— Un altro giorno vi legherete la salvietta al collo.... Per fortuna
avete ancora tempo di passar a casa vostra a mutarvi.
— Questo poi no. Far toilette una volta, transeat, ma due? Non ho
una vocazione così pronunciata per la società. Sia compiacente,
signora Stella, e giacchè sono qui mi permetta di restarci ancora un
pochino. È tanto più gustoso il discorrer con una donna d’ingegno e
di cuore che l’andare a una festa a sentir le solite melensaggini.
Una nuvola si calò sulla fronte della signora Marioli; un sospetto lo
balenò nell’animo. Le venne il dubbio che quella macchia non fosse
accidentale, che Gualberti avesse lasciato cadere apposta una
goccia di tè sulla camicia per avere un pretesto di prolungar la sua
visita. E il pensiero di questo mezzuccio puerile l’offese, e
l’insistenza per rimaner da lei a quell’ora inusata l’afflisse. Ecco,
anche Gualberti del quale ella pregiava infinitamente lo spirito ed il
carattere assumeva dei modi che a lei non potevano convenire.... Le
sarebbe toccato metterlo a posto, forse non riceverlo più come non
aveva ricevuto più tanti altri.... Era un gran dolore.... O forse l’aveva
ella stessa trattato con soverchia familiarità?... Dio buono, che sia
necessario di star sempre in sussiego, di adombrarsi d’ogni atto,
d’ogni parola?... Che ogni minima deferenza debba bastare perchè
un uomo manchi di rispetto?...
— Oh Gualberti — ella ripigliò; e l’intonazione della sua voce
rivelava il suo animo commosso — non mi fate pentire di avervi
perdonata la licenza che vi siete presa.... Perchè io non vi avevo
mai, mai invitato a venire di sera.... Nè voi, nè altri, s’intende.... O
scendo da mia madre, o vado da qualche amica, o rimango sola....
Non è poi la fine del mondo il rimaner sola.... Lo so — ella proseguì,
quasi volendo spiegar a sè stessa la propria condotta — tanti
avevano insistito perchè io ricevessi una sera per settimana.... A che
pro?... Avrei forse potuto ricever soltanto quelli che desideravo?...
No certo, mi sarebbe convenuto subir prima di tutti quelli che
avevano fatto la proposta, i seccatori, gl’importuni, i balordi, quelli
che stimerebbero fallire a un debito d’onore se non facessero la
corte a una donna che non è un mostro, e che non ha nessuno che
la difenda.... Ebbene, no, non era affare per me.... avete ragione,
non sono abbastanza civetta.... D’altra parte, sfido io, una volta detto
di non ricever la sera, come posso fare eccezioni?... Avete avuto

Chapter 12 Neural Network Potentials Jinzhe Zeng Liqun Cao Tong Zhu Full Chapter

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chapter 12 Neural Network Potentials Jinzhe Zeng Liqun Cao Tong Zhu Full Chapter

Uploaded by

Copyright:

Available Formats

Chapter 12 - Neural network potentials

Jinzhe Zeng & Liqun Cao & Tong Zhu

Atomic-centered symmetry functions

where G1 and G2 are radical and angular term, respectively.

where g(Zj) ¼ Zj and h(Zj, Zk) ¼ ZjZk.

X ζ Rij +Rik 2

which gives the descriptor an obviously more expressive power.

Example of simulation with neural network potentials

Simulation of the oxidation of methane

Step 1: Preparing the reference dataset

Step 2. Training the NN PES

Step 3: Freeze the model

Step 4: Running MD simulation based on the NNP

Step 5: Analysis of the trajectory

Conclusions and outlook

Partii dunque, munito d’una quantità di commendatizie, partii senza

Il servo picchiò leggermente all’uscio, e disse con qualche

You might also like

Chapter 12 Neural Network Potentials Jinzhe Zeng Liqun Cao Tong Zhu Full Chapter

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chapter 12 Neural Network Potentials Jinzhe Zeng Liqun Cao Tong Zhu Full Chapter

Uploaded by

Copyright:

Available Formats

Chapter 12 - Neural network potentials

Jinzhe Zeng & Liqun Cao & Tong Zhu

Atomic-centered symmetry functions

where G1 and G2 are radical and angular term, respectively.

where g(Zj) ¼ Zj and h(Zj, Zk) ¼ ZjZk.

X ζ Rij +Rik 2 

which gives the descriptor an obviously more expressive power.

Example of simulation with neural network potentials

Simulation of the oxidation of methane

Step 1: Preparing the reference dataset

Step 2. Training the NN PES

Step 3: Freeze the model

Step 4: Running MD simulation based on the NNP

Step 5: Analysis of the trajectory

Conclusions and outlook

Partii dunque, munito d’una quantità di commendatizie, partii senza

Il servo picchiò leggermente all’uscio, e disse con qualche

You might also like

X ζ Rij +Rik 2