改进第二阶的莫勒-普莱塞特扰动理论,用于与机器学习纠正的初始分散潜力的非共价相互作用
1Department of Chemistry, Virginia Commonwealth University, Richmond, Virginia 23284, USA.
一种新的混合方法,MP2+aiD(CCD),将机器学习与电子结构理论相结合,以准确地建模非共价相互作用. 这种方法克服了纯粹的机器学习模型的局限性,为大型分子系统提供可靠的预测.
科学领域:
- 计算化学计算化学
- 量子化学 是一个量子化学.
- 机器学习在化学中的应用
背景情况:
- 第二阶梅勒-普莱塞特扰动理论 (MP2) 在描述分散和交换-分散相互作用方面存在缺陷.
- 纠正这些缺陷的现有方法在准确性和适用性方面存在局限性.
- 纯机器学习 (ML) 模型往往缺乏对其训练数据之外的系统的可转移性和可预测性.
研究的目的:
- 开发一种新的分散校正方法,以解决MP2理论的缺陷.
- 创建一种混合方法,将基于物理的方法与数据驱动的ML相结合.
- 为了评估预测跨多种分子系统的非共价相互作用的新方法的性能.
主要方法:
- 使用SAPT10K数据集和笛卡尔坐标开发D3-ML潜力.
- 将D3-ML集成到MP2中以创建MP2+aiD(CCD) 方法.
- 与已建立的数据集 (S66 × 8,NAP6,L7,S12L,DNA-形素,C60二分体,C60[6]CPPA) 进行验证,并与其他方法和函数 (例如, ωB97M-V) 进行比较.
主要成果:
- MP2+aiD (CCD) 显著优于现有的旋转组件缩放和分散校正的MP2方法.
- 与流行的ML模型相比,该方法在预测非对应相互作用方面表现出卓越的准确性.
- MP2+aiD (CCD) 的性能与 ωB97M-V 的功能性能相当或超过.
- 混合方法表现出极好的可转移性和可预测性,与纯粹的机器学习模型不同.
结论:
- MP2+aiD (CCD) 是一种非常准确和可靠的第五阶缩放相关波函数方法,用于非共价相互作用.
- 电子结构理论和机器学习的融合提供了一个强大的和可预测的建模方法.
- 该方法适用于在百原子尺度上研究大型,现实生活中的分子复合体.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
Molecular Orbital Theory II
MO Theory and Covalent Bonding
¹H NMR: Interpreting Distorted and Overlapping Signals
As Δν decreases and the signals move closer, the doublets appear increasingly distorted. The intensities of the inner lines increase at the cost of those of the outer lines as the signals are...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Molecular Orbital Theory I
NMR Spectrometers: Resolution and Error Correction
