Jun, 2023

QM9 分子量子哈密顿量预测 QH9 基准测试

PDF
TL;DR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。
supervised machine learningelectronic structure predictionquantum hamiltonian datasetqm9 datasetmolecular design
发现论文，激发创造
  • 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

  • 材料的通用机器学习 Kohn-Sham 哈密顿

    该研究介绍了一个基于普适性电子哈密顿模型的技术，该模型通过使用从材料项目的第一性原理计算获得的哈密顿矩阵进行训练，展示了在预测整个周期表中的电子结构以及复杂的多元素系统方面的广泛适应性，为计算电子性质提供了一个可靠高效的框架，并为与电子结构相关的各个领域的进展奠定了基础。

    Feb, 2024

  • 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

  • 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

  • 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

  • 通过深度平衡模型将自洽性融入密度泛函理论哈密顿量预测

    该研究介绍了一个统一的神经网络架构，Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) 模型，它结合了 Deep Equilibrium Models (DEQs) 来预测 Density Functional Theory (DFT) Hamiltonians。DEQH 模型固有地捕捉了 Hamiltonian 的自洽性质，解决了传统机器学习方法在 Hamiltonian 预测中常忽略的关键问题。在多个数据集上测试，DEQHNet 显著提高了预测准确性，除了预测器外，DEQH 模型还是一个 Hamiltonian 求解器，利用深度平衡模型的固定点求解能力迭代求解 Hamiltonian，对 DEQHNet 的消融研究进一步阐明了网络的有效性，揭示了 DEQ 集成网络在 Hamiltonian 学习中的潜力。

    Jun, 2024

  • Laplacian-DFT: 一种用于神经网络势函数的药物类分子的通用量子化学数据集与基准

    本研究提出了一个名为 $ abla^2$DFT 的新数据集和基准，其中包括更多的分子结构、构象、数据类型和任务，并且具备最新的模型。它是包含大量类似药物分子放松轨迹的第一个数据集，并在分子性质预测、哈密顿预测和构象优化任务方面提出了一种新的评估神经网络势函数的基准。此外，研究还提出了一个可扩展的神经网络势函数训练框架，并在其中实施了 10 个模型。

    Jun, 2024

  • 应用基于量子启发式生成模型于小分子数据集

    本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。

    Apr, 2023

  • FCHL 再访：更快、更精准的量子机器学习

    本文提出了一种基于 FCHL19 的原子环境表征方法，利用机器学习模型能够在毫秒级别上预测化合物的原子力和能量，经过训练在几分钟和几小时内能够在 QM7b 和 QM9 数据集上达到化学精度，在非键合相互作用任务中的表现也很好，能够用于一般化学问题和分子动力学模拟。

    Sep, 2019

  • 高效和等变的图网络用于预测量子哈密顿量

    本文提出了一种称为 QHNet 的 SE（3）- 等变网络，其利用创新的 QHNet 体系结构实现了效率和等变性，并在 MD17 数据集上表现出可比较于最先进方法的性能，同时消耗 50％的内存。

    Jun, 2023