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
通过结合来自量子计算的基本知识和实验测量的高精度性,建议了一种用于预测溶解自由能的迁移学习方法,并展示了预先训练的模型在小型实验数据集和新的异样预测中的显著优势,同时进行了不确定性降低的尝试。
Dec, 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
该研究提出了一种物理基于势能和机器学习相结合的可转移模型,可以准确地计算小分子以及生物相关分子之间的非共价相互作用,而且在处理新分子时无需显式的事先参数化。
Oct, 2017
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
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
利用贝叶斯图神经网络和自我注意力机制来预测药物的溶解度,该模型能识别原子贡献,有助于药物研发中的结构活性关系分析和优化决策。
Sep, 2022
本文提出了一种使用基于机器学习思想的高斯近似势的方法,成功地对硅材料进行了量子力学计算,从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。
May, 2018
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
该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能,包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等,并在多个基于配体的任务中验证了模型性能的创新性。
Mar, 2018