May, 2024

分子电子结构的多任务学习方法接近耦合群精确度

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 化学空间中的 TDDFT 和机器学习电子光谱

    使用基于机器学习的方法，对 20,000 个小有机分子的低 - 激发垂直电子光谱进行了预测，并通过 CC2 频谱和基于 TD-DFT 方法的频谱偏差进行训练，发现通过所得数据可以更准确地进行预测。

    Apr, 2015

  • 准确的机器学习力场通过实验和模拟数据融合

    基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

    Aug, 2023

  • 物理约束机器学习中的电子激发态

    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

  • 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

  • 机器学习与量子化学的统一 - 分子波函数的深度神经网络

    本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

    Jun, 2019

  • 机器学习提高密度泛函近似的准确性

    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

  • 通过反向传播优化密度泛函理论降低量子化学数据成本

    密度泛函理论准确预测分子的量子化学性质，但其计算规模与电子数量的立方成正比。Sch"utt 等人成功地通过神经网络以 1000 倍的速度近似 DFT。在扩展到更大分子时，最大的问题是 DFT 标记的成本。我们的方法在 31 小时内实现了可比较的性能。

    Feb, 2024

  • 机器学习中的分子表示理解：独特性和目标相似性的作用

    介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。

    Aug, 2016

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017