低成本,高精度的反应性建模:将遗传算法和机器学习与多级 DFT 计算相结合

科学领域:

• 计算化学计算化学
• 化学动力学 化学动力学

背景情况:

• 对迪尔斯-阿尔德 (DA) 反应来说,准确预测吉布斯激活能 (ΔG‡) 是至关重要的,但很困难.
• 传统的密度函数理论 (DFT) 方法往往缺乏所需的化学精度 (<1 kcal mol−1).

研究的目的:

• 系统评估720个用于预测DA反应能量的DFT方法.
• 利用机器学习开发一个具有成本效益,高可靠性框架,用于使用机器学习进行反应性预测.

主要方法:

• 开发了一种遗传算法和机器学习 (GA-ML) 框架,以选择最佳的多级 DFT 组合.
• 引入了动态泛化驱动转移学习 (DGDTL),用于自适应系数优化.
• 对24个DA反应的性能进行了评估,并与高级CCSD计算进行了比较.

主要成果:

• 优化的GA1模型确定了四种低成本的DFT组合,达到0.4 kcal mol-1.1的平均绝对误差 (MAE).
• 这种准确性与高级CCSD计算相匹配,但计算成本显著降低.
• 对于培训和外部验证集,DGDTL确保了可靠的预测,包括未见的反应.

结论:

• 集成的GA-ML和DGDTL框架提供了一个可扩展和准确的方法来预测化学反应性.
• 这种方法为计算化学提供了显著的进步,在催化,药物设计和材料科学中具有广泛的应用.