本文综述了如何应用机器学习来加速电子激发态分子的计算，涵盖了电子激发态的动力学模拟、吸收光谱的计算等，并对机器学习技术所面临的问题和挑战，以及量子化学计算的基础进行了介绍和总结。

Jul, 2020

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

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

使用量子机器学习模型研究了有机分子的能量和力学标签，发现训练数据中的包含原子力学标签可以将预测的能量和力学标签精度提高 7 倍。

Jul, 2020

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

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

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

利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势，研究着重于探讨机器学习势能在考虑了分子构型的能量和多样性的情况下，准确预测自由能和转变态的能力。在对丁烷和丙二酸酰甘氨酰二肽进行 Metadynamics 模拟的基础上，我们检查了训练数据中集体变量（CVs）的分布对机器学习势能在确定系统的自由能态势上的准确性的影响。结果发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，由经典分子动力学数据训练的模型明显不够准确，而基于从头算的机器学习势能在潜能能量预测上表现良好，但在自由能预测上表现不佳。本研究强调了对于准确自由能态势预测而言，组装全面的训练数据的挑战，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

Mar, 2024

利用能量守恒定律，我们开发了一种高效的梯度域机器学习方法（GDML），使用极少量的来自从头算分子动力学（AIMD）轨迹的样本构建准确的分子力场。这种方法可以在训练时仅使用 1000 个构象几何结构，以 0.3 kcal/mol 的能量准确度和 1 kcal/mol・Å^-1 的原子力准确度再现中等大小的分子的全局势能面。该方法使得分子动力学模拟可以像高级从头算法方法一样具有准确性和可转移性，同时减少了计算代价。

Nov, 2016

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