Jun, 2017

SchNet: 用于建模量子相互作用的连续滤波卷积神经网络

PDF
TL;DR应用连续卷积层的 SchNet 深度学习架构能够建模分子中的量子相互作用，从而实现总能量和原子间力的预测，并在平衡分子和分子动力学轨迹的基准测试中取得了最先进的性能。同时，该架构引入了更具有挑战性的基准测试，为进一步研究提供了有价值的方向。
发现论文，激发创造
  • SchNet - 分子和材料的深度学习架构

    使用 SchNet 这种特定深度学习架构模拟原子系统，预测化学空间中分子和材料的一些性质，以及分子动力学模拟中的势能面和保能力场，实现了 C20-fullerene 的量子力学性质的研究。

    Dec, 2017

  • 深度学习与薛定谔方程

    使用深度卷积神经网络预测四类二维电势约束下电子的能量，实验结果表明，模型在预测基态能量上可以达到化学精度水平，并探究了模型在预测其他物理量（如动能、第一激发态能量）表现的情况。

    Feb, 2017

  • 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

  • 混合量子 - 经典卷积神经网络

    本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

    Nov, 2019

  • 结合 SchNet 和 SHARC 的 SchNarc 机器学习方法用于激发态动力学

    本研究采用 SchNet 和 SHARC 相结合的方法，运用深度学习在光化学领域进行研究，同时学习了多能级、力学量、非绝热耦合和自旋轨道耦合等重要性质，其中，对于非绝热耦合的学习方式更是以相位无关的形态实现，并引入了基于势、势梯度和海森矩阵的非绝热耦合拟合方法。经过在理想系统和两种实际多原子分子测试，该方法被证明可行，为复杂系统的高效光动力学模拟铺平了道路。

    Feb, 2020

  • SchNetPack: 用于原子系统的深度学习工具箱

    SchNetPack 是一个基于 PyTorch 深度学习框架的工具箱，用于发展和应用深度神经网络，预测分子和材料的势能面和其他量子化学属性。它包含原子神经网络的基本构建模块，管理其培训并提供对常见基准数据集的简单访问。

    Sep, 2018

  • 采用深度神经网络求解多电子薛定谔方程

    本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

    Sep, 2019

  • AtomNet：一种用于基于结构的药物发现中的生物活性预测的深度卷积神经网络

    AtomNet 是第一个基于结构的深度卷积神经网络，用于预测小分子在药物研发应用中的生物活性。它使用局部卷积滤波器处理结构目标信息，并在多个基准测试中表现出比现有技术更好的性能。

    Oct, 2015

  • 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

  • 量子卷积神经网络（QCNN）教程

    本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法，并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。

    Sep, 2020