一种无监督的机器学习方法,用于自动构建局部化学描述符
Miguel Gallegos1, Bienfait Kabuyaya Isamura2, Paul L A Popelier2
1Department of Analytical and Physical Chemistry, University of Oviedo, Oviedo E-33006, Spain.
本研究介绍了一种使用高斯混合模型的无监督机器学习方法,用于自动优化化学系统的原子中心对称函数 (ACSF). 这种方法简化了描述符的创建,并提高了对原子电荷的预测准确性.
科学领域:
- 计算化学的计算化学
- 机器学习在化学中的应用
- 材料科学 材料科学 材料科学
背景情况:
- 为化学系统开发固定尺寸数组是机器学习 (ML) 的挑战.
- 原子中心对称函数 (ACSF) 是直观的,但需要艰苦的参数选择.
- 现有的方法缺乏对化学描述符的自动优化.
研究的目的:
- 实施无监督的ML策略,自动优化ACSF参数.
- 通过分解化学和结构空间来开发量身定制的ACSF.
- 评估自动生成化学描述符的可靠性和性能.
主要方法:
- 使用高斯混合模型 (GMMs) 来无监督优化ACSF参数.
- 探索化学和结构空间来定义辐射和角集群.
- 采用高温分子动力学 (MD) 模拟来加强太空探索.
- 通过对加盖的氨基酸和CHON分子进行原子电荷预测来评估特征可靠性.
主要成果:
- 自动构建的ACSF实现了典型的预测误差,低于0.010电子的原子电荷.
- 优化空间分布,特别是分离集群尾巴,将误差降低到0.006电子.
- 高斯过程 (GP) 模型的表现优于前神经网络 (FFNNs),特别是在低数据场景中.
结论:
- 无监督的基于GMM的方法简化了局部化学描述符的构建.
- 这种方法为绘制辐射和角空间提供了洞察力,以获得改进的功能.
- 这种方法可以将多体信息编码到未来的ML功能中.
更多相关视频
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
相关概念视频
Molecular Models
Local Anesthetics: Chemistry and Structure-Activity Relationship
Spectroscopy of Carboxylic Acid Derivatives
Regioselectivity and Stereochemistry of Acid-Catalyzed Hydration
Inductive Effects on Chemical Shift: Overview
