Mar, 2015

大数据与量子化学近似：$Δ$ 机器学习方法

PDF
TL;DR介绍了一种将机器学习纠正与计算便宜且近似的遗留量子方法相加的组合策略，从而实现了对化学热力学性质的高度准确预测，实现了化学精度和低计算成本的平衡。
quantum chemistrymachine learningthermochemical propertieselectron correlation energydensity functional theory
发现论文，激发创造
  • 分子电子结构的多任务学习方法接近耦合群精确度

    发展了一种统一的机器学习方法，用于有机分子的电子结构，使用 CCSD (T) 计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

    May, 2024

  • 机器学习与量子化学的统一 - 分子波函数的深度神经网络

    本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

    Jun, 2019

  • 化合物空间分子电子性质的机器学习

    结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

    May, 2013

  • 机器学习提高密度泛函近似的准确性

    机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确性方面的最新进展，并通过将有希望的模型应用于训练集之外的系统的例子，讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。

    Nov, 2023

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 机器学习和量子蒙特卡洛在高压氢中的应用

    发展了一种结合了量子蒙特卡罗的准确性与机器学习潜能的效率的技术，使用核回归与 SOAP 特征，并利用基于最远点采样的稀疏技术和 Δ-learning，可以将训练数据集保持小，以实现高精度计算，第一个应用涉及高压氢的液 - 液相转变的基准研究，并强调了高精度的重要性，以提高实验结果不明确领域的准确性。

    Dec, 2021

  • 通过反向传播优化密度泛函理论降低量子化学数据成本

    密度泛函理论准确预测分子的量子化学性质，但其计算规模与电子数量的立方成正比。Sch"utt 等人成功地通过神经网络以 1000 倍的速度近似 DFT。在扩展到更大分子时，最大的问题是 DFT 标记的成本。我们的方法在 31 小时内实现了可比较的性能。

    Feb, 2024

  • 从量子化学到实验中的溶剂自由能的迁移学习

    通过结合来自量子计算的基本知识和实验测量的高精度性，建议了一种用于预测溶解自由能的迁移学习方法，并展示了预先训练的模型在小型实验数据集和新的异样预测中的显著优势，同时进行了不确定性降低的尝试。

    Dec, 2020

  • QM9 分子量子哈密顿量预测 QH9 基准测试

    本文介绍了一种基于监督学习方法的量子哈密顿矩阵预测模型，该模型利用 QM9 数据集中的分子动力学轨迹和稳定分子几何结构生成了一个准确的 QH9 量子哈密顿矩阵数据集，并设计了各种不同分子的基准测试任务，该模型可对任意分子预测哈密顿矩阵，并在分子设计和材料设计领域具有广泛的应用前景。

    Jun, 2023