Nov, 2016

利用机器学习预测分子物理性质的化合物表示方法

PDF
TL;DR通过密度泛函理论计算，本文使用化学描述符生成系统性描述符，并构建了一个基于核岭回归模型的机器学习模型，预测化合物的物理性质，预测误差为 0.041 eV/atom，具有良好的预测性能和高效优化的效率。
machine-learningdescriptorschemistrydft calculationpredictive performance
发现论文，激发创造
  • 材料数据机器学习描述符

    该论文阐述了如何将化合物表示为描述符，并将其应用于材料数据的机器学习模型。

    Sep, 2017

  • 在化合物空间中使用低维描述符高效插值分子性质

    凭借低维描述符，展示了一种精确的基于数据不足的分子性质模型，用于化合物空间内的插值，结合了三维普适物理描述符和基于 Gershgorin 圆定理的六维特征，通过变量函数形式的核进行高斯过程回归，从而实现了极为高效的低维插值模型。此模型能够在测试数据中对熵与温度的乘积（S x T）和零点振动能（ZPVE）进行预测，绝对误差不超过 1.3 kcal mol^-1 的分子比例超过 92%。

    Nov, 2023

  • 用于机器学习模型的形成能晶体结构表示

    本文介绍和评估了一组特征向量表示晶体结构的机器学习 (ML) 模型，来预测固体的形成能。通过考虑三种方法将一个 Coulomb 矩阵推广到周期系统，则通过使用具有曼哈顿范数的拉普拉斯核的测试，对于由 Materials Project 所获得的 3938 个晶体结构的数据集进行训练。

    Mar, 2015

  • 平衡分子信息与实证数据在物理 - 化学性质预测中的应用

    利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

    Jun, 2024

  • 如何为机器学习表示晶体结构：实现电子性能的快速预测

    本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。

    Jul, 2013

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 机器学习中的分子表示理解：独特性和目标相似性的作用

    介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。

    Aug, 2016

  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 原子结构表示的完备性

    本文指出传统上人们认为的三体描述符不能唯一地指定一个原子环境，并对此提出了几个反例，解释了当前 “机器学习” 力场的成功。作者预测了随着所需精度的提高而产生的问题，并提出潜在的解决方案。

    Jan, 2020

  • 材料科学的大数据 - 描述符的关键作用

    通过分析材料学中的描述符选择问题，定义了一个合适的描述符要求，并以典型半导体结构的能量差为例，演示了如何系统地找到有意义的描述符。

    Nov, 2014