Nov, 2023

在化合物空间中使用低维描述符高效插值分子性质

PDF
TL;DR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%。
molecular propertieschemical compound spaceslow-dimensional descriptorsgaussian process regressionmolecular entropy
发现论文，激发创造
  • 利用机器学习预测分子物理性质的化合物表示方法

    通过密度泛函理论计算，本文使用化学描述符生成系统性描述符，并构建了一个基于核岭回归模型的机器学习模型，预测化合物的物理性质，预测误差为 0.041 eV/atom，具有良好的预测性能和高效优化的效率。

    Nov, 2016

  • 固体谐波小波散射用于分子属性预测

    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。

    May, 2018

  • 平衡分子信息与实证数据在物理 - 化学性质预测中的应用

    利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

    Jun, 2024

  • 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

  • 原子结构表示的完备性

    本文指出传统上人们认为的三体描述符不能唯一地指定一个原子环境，并对此提出了几个反例，解释了当前 “机器学习” 力场的成功。作者预测了随着所需精度的提高而产生的问题，并提出潜在的解决方案。

    Jan, 2020

  • 通过潜在空间融合提高分子属性预测

    本文提出了一种多视图方法，将来自最先进化学模型的潜在空间进行结合，其中使用了基于 MHG-GNN 的嵌入（将分子结构表示为图形）和根植于化学语言的 MoLFormer 嵌入。我们通过在六个基准数据集上评估该方法，证明了我们所提出的多视图方法在预测临床试验药物毒性和抑制 HIV 复制等复杂任务上，优于现有的最先进方法，包括在 11 亿个分子上进行训练的 MoLFormer-XL。研究结果突显了潜在空间融合和特征整合在推进分子属性预测方面的潜力。

    Oct, 2023

  • 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

  • 关于化学环境的表征

    本研究回顾了一些最近发表的表示原子邻域环境的方法，并分析了它们在忠实度和适用于拟合势能面方面的相对优点。我们展示了使用具有增加的角波数的有限基函数集来扩展原子邻域密度函数的通用方法的具体案例。我们还提出了一种全新的方法，称为光滑重叠原子位置（SOAP），直接定义了任意两个邻域环境之间的相似性。通过拟合小硅集群和大块晶体的势能面的模型，我们测试了各种表示的性能。

    Sep, 2012

  • 通过潜空间能量建模与逐步分布转移的分子设计

    本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。

    Jun, 2023

  • 基于物理启发的非键相互作用的等变描述符

    采用具有任意渐近行为的非键相互作用的非键位点电场到色散力的长程等位置（LODE）框架扩展生成原子环境的局部描述符，从而提供了一种实用的方案，用于将不同类型的非键相互作用纳入模型，并研究支撑这一具有挑战性的建模问题的物理和数据相关因素的相互作用。

    Aug, 2023