Jun, 2020

QM7-X：涵盖小有机分子化学空间的量子力学性质全面数据集

PDF
TL;DRQM7-X 是一个全面的数据集，其中包含大量的有机分子的 42 个理化特性，这些分子具有高达七个非氢（C，N，O，S，Cl）原子，并为量子力学 PBE0 + MBD 级别的计算提供了定量收敛的结果，这一数据集对探索化合物空间并针对性地设计具有特定属性的分子的机器学习模型的发展将起到至关重要的作用。
qm7-xphysicochemical propertiesorganic moleculesquantum mechanicsmachine learning
发现论文，激发创造
  • PubChemQC B3LYP/6-31G*//PM6 数据集：使用 B3LYP/6-31G * 计算得出 8600 万分子的电子结构

    本文介绍了 PubChemQC B3LYP/6-31G*//PM6 数据集，包含 85938443 种分子的电子性质等，并说明了 5 个子数据集及用途，可实现药物发现和材料科学等应用。

    May, 2023

  • QMugs: 药物类分子的量子力学性质

    QMugs 是一个填补了先前缺失的波函数、热力学、能量数据、分子建模等信息的巨型数据集，它拥有用于药物相关分子的 647K 个构象和更多量子力学或者 DFT 计算所需的数据。

    Jul, 2021

  • 使用无监督学习方法解析 QM7b 和 QM9 量子力学数据集的结构

    两个量子力学数据集（QM7b 和 QM9）的内部结构被探索，研究了它们在电子性质方面的描述。通过内部维度分析、聚类和异常值检测方法，研究揭示了这两个数据集的内在维度远远小于描述维度。QM7b 数据由与原子组成相关的明确定义的聚类组成，而 QM9 数据由以异常值为主的外部区域和集中聚类的内核区域组成。分子中的原子数量与异常值 / 内部性质之间存在显著关系。尽管结构上存在差异，但逆向分子设计的目标变量的可预测性很高，这在从原始属性和较低维度嵌入空间中估计分子的原子数量的模型中得到了体现。

    Sep, 2023

  • 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

  • 大数据与量子化学近似：$Δ$ 机器学习方法

    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。

    Mar, 2015

  • 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

  • Alchemy：用于基准测试人工智能模型的量子化学数据集

    介绍一种用于发展化学和材料科学机器学习模型的新的分子数据集 Alchemy，其包含 119487 种有机分子的 12 种量子力学性质，扩大了现有分子数据集的数量和多样性，使用图神经网络模型在 Alchemy 上进行的广泛基准测试清晰展示了新数据在验证和开发化学和材料科学机器学习模型方面的实用性。

    Jun, 2019

  • CheMFi：多样分子的量子化学特性多级数据集

    提供了一个综合的多保真度数据集 CheMFi，其中包括机器学习、量子化学、多保真度机器学习方法、基于 TD-DFT 的不同保真度数据集（STO-3G，3-21G，6-31G，def2-SVP 和 def2-TZVP）以及用于基准测试的多保真度基准模型。

    Jun, 2024

  • 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

  • GEOM：用能量注释的分子构象进行性质预测和分子生成

    使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象，这将有助于从构象集合中预测分子性质并进行生成模型的开发。

    Jun, 2020