Jun, 2024

肉豆蔻和香料：生物分子机器学习的模型和数据

PDF
TL;DRSPICE 数据集的第 2 版是一个用于训练机器学习势能的量子化学计算集合，通过更多地对化学空间进行采样和提供更多非共价相互作用的数据，扩展了原始数据集。在其中，我们使用名为 Nutmeg 的一组潜在能量函数。它们采用一种新的机制，在带电和极性分子上改善性能，将预先计算的部分电荷注入模型以提供大规模电荷分布的参考。对新模型的评估表明，它们在重现构象之间的能量差异方面表现出色，即使在高度带电的分子或比训练集中的分子显着更大的情况下，也能够产生稳定的分子动力学轨迹，并且足够快以用于对小分子的常规模拟。
发现论文，激发创造
  • Espaloma-0.3.0: 机器学习的分子机械力场，用于蛋白质 - 配体系统及其它模拟

    本文介绍了一种基于图神经网络的头到尾可微的力场构建方法，该方法通过能量和力的拟合实现了对量子化学数据的直接拟合，并成功地将其应用于包括小分子、蛋白质和 RNA 在内的生物大分子的强制场建模中。

    Jul, 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

  • 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

  • 分子激发态能量的多精度机器学习

    本文提出一种利用多保真度机器学习模型预测分子第一激发态能级的方法，该方法将高度准确的训练数据与成本更低、准确度较低的数据相结合，能够在保持高精度的同时极大地降低计算时间和成本。

    May, 2023

  • 神经网络潜力函数的数据提炼对基础数据集的研究

    利用机器学习、生成模型和神经网络为基础的势函数，通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发，并提升材料设计和发现的能力。

    Nov, 2023

  • 利用机器学习快速准确地建模分子原子化能

    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

  • 分子动力学的机器学习用于红外光谱模拟

    本文提出了一种基于机器学习的策略来预测分子红外光谱的方法，建立在从头分子动力学模拟的基础上，利用各种机器学习技术加速模拟并扩展可处理的系统大小，其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力，我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型，同时在甲醇分子，含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。

    May, 2017

  • 神经网络原子间势的综合预训练

    基于机器学习的原子间势函数已经在原子级材料建模领域产生了巨大的影响，但是这些势函数的质量和数量对应的量子力学参考数据至关重要，因此开发数据集和训练流程成为一个日益重要的挑战。我们在这篇论文中展示了利用合成的原子级数据作为神经网络原子间势函数的预训练任务是有益的。经过大规模的合成数据集的预训练后，这些模型可以在更小的量子力学数据集上进行微调，提高计算实践中的数值精度和稳定性。我们通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。

    Jul, 2023

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

    Feb, 2019

  • 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