May, 2018

固体谐波小波散射用于分子属性预测

PDF
TL;DR本文提出了一种基于密度泛函理论的分子性质预测机器学习算法，利用高斯型轨道函数创建分子的代理电子密度，并计算不变的 “固体谐波散射系数”，由此对不同尺度下的不同类型相互作用进行建模，并通过多线性回归计算出分子的各种物理性质，此算法在小型数据集方面已达到接近 DFT 预测精度，同时非常可解释。
发现论文，激发创造
  • 基于小波散射回归的量子化学能量

    通过多尺度不变字典和小波散射不变量等方法，可以更加高效地估算有机分子的量子化学能量。

    May, 2016

  • 应用小波散射网络的原子系统材料属性外推

    本研究探讨了机器学习在材料科学领域中能否通过使用原子系统的波尔轨道小波散射变换为机器学习模型提供足够多的对称性、平滑性和不变性特征，以扩充模型在直至训练样本中不存在的性质预测方面的适用性。在小分子和大块非晶态 Li alpha Si 的体系中，使用小波散射系数作为特征的机器学习模型已经在相同的计算成本下，成功地实现了与密度泛函理论相当的精度。本研究进一步探讨了通过特征选取方法减少过度拟合的理论基础，以提高力学常数和迁移能等未出现在训练集中的性质预测精度。

    Jun, 2020

  • 应用于 Li-Si 能量预测的三维原子系统的可导向小波散射

    通过使用三维信号的小波散射系数作为特征的普通机器学习架构，扩展了先前仅用于小有机分子回归的固体谐波小波散射变换的机器学习框架。 采用与平移和旋转等变的一般可转向小波，形成了一个目标函数的稀疏模型。 作为此方法的一个例子，使用平面波密度泛函理论方法生成的数据库对无定形锂硅材料状态的形成能线性回归模型进行了训练，结果产生了与其他类似生成的数据库上的机器学习方法相比的最先进结果。

    Nov, 2018

  • 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

  • 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

  • 物理散射光谱模型

    本文提出了一种关于散射谱模型的方法，基于散射系数的协方差，通过旋转和缩放对物理场进行多尺度分析并得出其低维结构表达，这个通用的方法可以用于数据探索、分类、参数推断、对称检测和成分分离。

    Jun, 2023

  • 机器学习逼近密度泛函理论哈密顿量

    通过机器学习和 kernel ridge regression 方法，提出一种快速且准确的预测 DFT 哈密顿量的方法，可适用于各种所需的材料系统，并与 DFT 计算结果进行比较。

    Sep, 2016

  • 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

  • 利用机器学习快速准确地建模分子原子化能

    我们引入了一个机器学习模型来预测有机分子的原子化能，基于核电荷和原子位置。该回归模型是通过将求解分子 Schr"odinger 方程的问题映射为复杂度较低的非线性统计回归问题。我们使用杂化密度泛函理论计算的原子化能进行回归模型的训练和比较。通过对超过七千个小有机分子进行交叉验证，得到的平均绝对误差为～10 kcal/mol。该模型的适用性已经通过预测分子原子化潜能曲线得到证明。

    Sep, 2011

  • 利用隐式神经表示捕获动态相关性

    本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。

    Apr, 2023