深度学习工作流用于具有特定光电子性质的分子的反向设计

科学领域:

• 计算化学是一种计算化学.
• 材料科学是一种材料科学.
• 机器学习是机器学习.

背景情况:

• 设计具有特定光电子性质的分子是具有挑战性的,因为化学空间广.
• 第一原则的预测有助于候选人选择,但在计算上是密集的.
• 对所有可能的分子进行粗暴的选是不可行的.

研究的目的:

• 为反向分子设计开发一个高效的计算工作流程.
• 加速识别具有向光电子特性的新型分子.
• 为了减少探索化学空间的计算负担.

主要方法:

• 一个代的深度学习工作流程,将密度功能紧密结合 (DFTB) 结合起来,用于数据生成.
• 一个图形卷积神经网络 (GCNN) 替代模型用于快速属性预测.
• 一个面具语言模型 (MLM) 用于分子生成和改进.

主要成果:

• 证明了产生具有目标能量差距的新型分子的原理证明.
• 成功结合了DFTB,GCNN和MLM用于代分子设计.
• 展示了工作流程能够有效地在大型化学空间中导航的能力.

结论:

• 呈现的深度学习工作流显著加速了理性的分子设计.
• 这种方法为发现具有所需光电子特性的分子所面临的计算挑战提供了可行的解决方案.
• 该方法可以扩展到设计用于各种需要特定电子特征的应用程序的分子.