Respuesta al comentario sobre "Empujando las fronteras de las funcionales de densidad resolviendo el problema del...

Área de la Ciencia:

• Química computacional
• Mecánica Cuántica
• Aprendizaje automático en la ciencia

Sus antecedentes:

• La capacidad del modelo DM21 para generalizar más allá de sus datos de formación es crucial para su aplicabilidad.
• Gerasimov y otros. cuestionó la demostración de la carga fraccionada (FC) y el giro fraccionado (FS) de DM21 con respecto a las capacidades en nuestro trabajo anterior.
• Su crítica se centró en la superposición entre nuestro conjunto de entrenamiento y conjuntos de datos de referencia, y la validez de nuestros ejemplos de generalización.

Objetivo del estudio:

• Para refutar las afirmaciones hechas por Gerasimov et al. respecto a las capacidades de generalización del modelo DM21.
• Para aclarar la exactitud y relevancia de nuestros resultados de referencia y ejemplos de generalización.
• Reafirmar la calidad general y el poder predictivo del modelo DM21.

Principales métodos:

• La reevaluación del conjunto de formación coincide con el índice de referencia de ruptura de vínculos (BBB, por sus siglas en inglés).
• Análisis detallado de los ejemplos de generalización presentados en el documento.
• Refutación directa de los puntos específicos planteados por Gerasimov et al.

Principales resultados:

• La afirmación del ~50% de coincidencia entre el conjunto de entrenamiento y el BBB es inexacta.
• Los ejemplos de generalización demuestran el sólido rendimiento de DM21 fuera del conjunto de entrenamiento.
• La crítica de Gerasimov y otros. se basa en premisas erróneas e irrelevante para las principales conclusiones.

Conclusiones:

• Las afirmaciones de Gerasimov et al. Las observaciones sobre la falta de generalización FC/FS demostrada por DM21 no están sustentadas.
• Nuestro trabajo proporciona evidencia válida de la capacidad de generalización de DM21.
• El modelo DM21 mantiene una alta calidad y precisión predictiva para cálculos químicos cuánticos.