选择电荷类型

1.14xCM1A：OPLS-AA/L    OPLS-AA/MM    

1.14xCM1A-LBCC：OPLS-AA/L    OPLS-AA/MM 

AM1-BCC：GAFF 

MMFF94：MMFF94

GNN-RESP：GAFF

XTB-RESP：GAFF

CM5

1.2xCM5：OPLS** 

QEq：UFF

Gasteiger：Tripos

CGenFF：CGenFF

RESP电荷也是AMBER和GAFF力场的御用电荷。电荷模型(CM)系列电荷，如CM1，CM2，CM3，CM4，CM5等，都是对低级别方法下的Mulliken或Löwdin电荷进行键较正的方法，校正参数取决于键两端的原子的元素。与RESP电荷以静电势为主要拟合目的不同，CM电荷最初以偶极矩作为拟合目标。CM电荷是OPLS力场的御用电荷，不过OPLS力场使用CM电荷时会引入缩放系数或额外键校正，如1.14*CM1A-LBCC或1.20*CM5。CHARMM力场下的小分子力场CGenFF电荷模型与也使用MP2/6–31G(d)级别计算的MK电荷进行校正获得，通过一定的高估气相下的分子偶极，来增强凝聚相/水相的模拟表现。

也有使用较低精度的量化模型或完全通过经验参数构建的力场电荷模型。如AM1-BCC电荷，是一种延申CM电荷使用键校正思想的拟合RESP电荷的方法，是在使用AM1半经验方法下的Mulliken电荷的基础上，通过键电荷校正(BCC)得到。校正参数依赖键类型和两端原子类型，校正参数拟合自2755个在HF/6-31F*精度下计算的有机小分子的RESP电荷。再如MMFF94电荷模型，同样使用键电荷校正过程，但是MMFF94力场的初始电荷使用规则初始化，比如质子化氨基的N初始带+1.0电荷，去质子化的羧基的2个O各带-0.5电荷，然后使用键校正参数进行校正，校正参数来自于拟合HF/6-31G*下计算的分子偶极矩及相互作用能获取。还有应用电负性均衡原理构建的Gasteiger电荷和QEq电荷，这两种电荷的静电势复现效果较差。

GNN-RESP和XTB-RESP这两个RESP电荷里，前者是基于机器学习，后者是GFN2-XTB精度.GNN的原始训练集的精度很高，而且是RESP2电荷，所以如果元素支持的时候，它的精度更高。

GFN2的精度和def2-TZVP相比差远了，如果你自己有RESP电荷的话，建议手动替换了

GFN2-xTB —具有多极静电和密度相关色散贡献的精确且参数广泛的自洽紧密结合量子化学方法

https://pubs.acs.org/doi/full/10.1021/acs.jctc.8b01176

提出了扩展的半经验紧密结合模型，该模型主要用于快速计算具有约1000个原子的分子系统的结构和非共价相互作用能。

这种所谓的GFN2-xTB方法的本质新颖之处在于，它通过累积原子多极矩的短程阻尼相互作用，包含了各向异性的二阶密度波动效应。

在没有显着增加计算需求的情况下，这将导致经验不足且整体上更合理的方法，该方法不需要任何经典的卤素或氢键校正，并且仅依赖于全局参数和特定于元素的参数（适用于ra，Z= 86）。

此外，依赖于原子的部分电荷的D4伦敦色散模型被自洽地合并，这可以从紧束缚图片中自然地从二阶密度波动中获得。实现了完全解析和数值精确的梯度（核力）。

该方法的准确性已针对各种系统进行了基准测试，并与其他半经验方法进行了比较。

除了“目标”特性的出色性能外，我们还发现“偏离目标”特性的误差较小，例如势垒高度和分子偶极矩。

与前体GFN-xTB相比，其高计算效率以及改进的物理性能使该方法非常适合探索分子系统的构象空间。此外，对于各种基准测试集，我们还观察到了重大改进。