低数据深度量子化学学习用于准确的MP2和合集群相关性

科学领域:

• 计算化学的计算化学
• 量子化学 是一个量子化学.
• 机器学习 机器学习

背景情况:

• 使用后哈特里-福克方法准确预测宏分子的电子能量是计算上昂贵的.
• 开发用于计算电子相关性能量的高效方法对于分子建模至关重要.

研究的目的:

• 开发一个数据效率高的深度神经网络 (dNN) 模型,用于预测机器学习的电子相关能量.
• 为复杂分子实现与MP2和CCSD等传统方法相提并论的预测.
• 证明模型在各种分子系统和数据集中的可转移性.

主要方法:

• 在紧的基础上利用物理上合理的局部相关性特征.
• 构建一个表达式深度神经网络 (dNN) 模型.
• 在小分子数据集上训练dNN模型,并在更大,看不见的分子系统上进行测试.

主要成果:

• 该dNN模型实现了与MP2和CCSD理论水平相比的电子相关能量.
• 该模型展示了高数据效率和跨各种分子类型的可转移性,包括基,有机分子和水.
• 对大型水 ((H2O) 128) 的准确预测是通过对较小的水 ((H2O) 8) 的训练来实现的,化学准确度内的误差.

结论:

• 一个紧的局部相关性特征集,虽然不足以直接进行后哈特里-福克计算,但对机器学习非常有效.
• 该dNN驱动型号提供了一个计算效率高,准确的方法来预测电子相关能量.
• 这些发现突显了机器学习在推进计算化学和分子建模方面的潜力.