Aug, 2024

哈希恩 QM9：隐式溶剂中分子哈希恩的量子化学数据库

HTML
PDF
TL;DR该研究解决了计算化学中提高第一性原理方法计算效率与准确性之间的挑战。本文提出的Hessian QM9数据库，包含了在真空及多种溶剂环境下的分子哈希恩矩阵，为机器学习原子间势能的使用提供了更全面的势能表述。实验证明，将势能表的二阶导数纳入机器学习势能函数的损失项显著提高了振动频率的预测准确性，有助于在实际溶剂环境中研究有机分子的性能。
发现论文，激发创造
  • 分子模拟的机器学习

    介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

    Nov, 2019

  • QM9分子量子哈密顿量预测QH9基准测试

    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。

    Jun, 2023

  • 限制预训练神经波函数的变化蒙特卡罗法

    利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和SE(3)-等变模型来表示分子轨道, 在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过CCSD(T)-2Z等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

    Jul, 2023

  • C3Net: 预测异质系统物理化学性质的原子间势神经网络

    提出了用于原子类型嵌入其分子环境和基于基本物理规律的相互作用势的深度神经网络架构，应用于异质系统中预测物理化学性质并优于基于量子力学和神经网络的最新方法在溶解自由能预测任务中。

    Sep, 2023

  • 多尺度学习原子间势

    用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性，通过联合训练两种机器学习插值势进行尺度分离可以实现显著的加速和无损的精度。

    Oct, 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

  • 用于等变信息传递的高阶不可约笛卡尔张量

    通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。

    May, 2024

  • 利用隐性溶剂机器学习势预测溶剂自由能

    通过参数化隐式溶剂机器学习模型来准确预测包括水合自由能在内的小有机分子相互作用，为药物设计和污染物建模提供一个比传统原子模型更准确且计算成本更低的方法。

    May, 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

  • 通过主动学习加速强非谐材料的机器学习原子势的训练和提高其可靠性

    本研究解决了机器学习原子势在训练集不足时可能导致在强非谐材料中动态描述不准确的问题。通过将分子动力学与主动学习相结合，该方法有效地提高了数据的利用效率，并能更好地捕捉复杂的相空间区域。研究表明，该主动学习方案能够识别并修正现有方法中的问题，具有重要的物理意义和应用潜力。

    Sep, 2024