密集的神经网络用于计算来自电子阴性-平衡原子电荷的溶解自由能量

科学领域:

• 计算化学计算化学
• 物理化学 物理化学
• 机器学习在化学中的应用

背景情况:

• 准确预测溶解自由能量对于理解化学过程至关重要.
• 现有的方法,特别是基于密度函数理论 (DFT) 的方法,可能是计算密集的.
• 需要有效和准确的模型来评估各种溶剂类型的溶解自由能量.

研究的目的:

• 引入一种新的深度神经网络模型,ESE-EE-DNN,用于评估无溶解能量.
• 与已知的计算方法相比,评估ESE-EE-DNN的准确性和效率.
• 为了证明该模型在不同溶剂环境中的中性分子和离子物种的适用性.

主要方法:

• 开发一个密集的神经网络 (NN) 模型,命名为轻松溶解能量与电子负性均电荷和密集的神经网络 (ESE-EE-DNN).
• 使用导体样选模型 (COSMO) 静电能量,原子腔表面积,原子腔总体积和诱导的表面电荷作为输入特征.
• 在COSMO计算中采用电子阴性平衡原子电荷.

主要成果:

• ESE-EE-DNN实现了高精度,中性溶液的根平均平方误差 (RMSE) 为1.25kcal/mol (水),1.36kcal/mol (极地protic),0.70kcal/mol (极地aprotic) 和0.71kcal/mol (非极地).
• 该模型证明了离子溶液的特殊强度,产生2.82 kcal/mol (水性) 和1.42 kcal/mol (非水性) 的RMSEs.
• ESE-EE-DNN的准确性与主流的基于DFT的方法相比或更高,并且提供了显著的计算效率.

结论:

• ESE-EE-DNN提供了一个非常准确和高效的方法来预测无溶解能量的能量.
• 该模型在不同类型的溶液 (中性和离子) 和溶剂环境中的性能突显了其多功能性.
• 计算效率,源于快速的电子负性-均值电荷评估,使ESE-EE-DNN成为计算化学研究的宝贵工具.