LAGNet:对基于LCAO的数据和类似药物的物质进行更好的电子密度预测

科学领域:

• 计算化学计算化学
• 量子化学 是一个量子化学.
• 药物设计 药物设计

背景情况:

• 电子密度对于药物设计计算至关重要.
• 当前的深度学习模型经常使用平面波 (PW) 方法来训练数据.
• 药物设计领域主要使用原子轨道线性组合 (LCAO) 进行量子属性计算.

研究的目的:

• 开发用于预测电子密度的深度学习模型,使用基于LCAO的药物样分子数据集.
• 用LCAO数据来训练神经网络的挑战,特别是处理大核心轨道幅度.
• 优化数据存储,并为此任务提出一种新的神经网络架构.

主要方法:

• 在基于LCAO的电子密度数据集上训练神经网络.
• 实施一种使用标准网格而不是统一网格的新型存储方法.
• 开发一个新的深度学习架构,LAGNet,基于DeepDFT模型.

主要成果:

• 正确处理核心轨道振幅对于成功的基于LCAO的训练至关重要.
• 拟议的电网存储方法将探测点减少了43倍,存储减少了8倍.
• 局域网架构证明了对类似药物和DFT数据集的有效性.

结论:

• 深度学习模型可以有效地训练基于LCAO的电子密度数据,用于药物设计应用.
• 优化的数据表示和像LAGNet这样的新型架构显著提高了计算效率.
• 这项工作弥合了常见的计算化学实践 (LCAO) 和药物发现中的深度学习之间的差距.