Quantum chemical roots of machine-learning molecular similarity descriptors
在这项工作中，我们探讨了分子相似性描述符的量子化学基础。这些描述符是机器学习遍历化合物空间的关键。我们的重点是库仑矩阵和原子位置的平滑重叠（SOAP）。我们采用了一个基本的框架，使我们能够连接两个描述符的电子结构理论。这个框架使我们能够定义两个与电子结构理论更密切相关的新描述符，我们称之为库仑列表和电子密度平滑重叠（SOED）。通过研究它们作为分子相似性描述符的有用性，我们获得了库仑矩阵和SOAP如何以及为什么工作的新见解。此外，库仑列表避免了库仑矩阵的有点神秘的对角化步骤，并可能提供一种直接的方法来提取子系统信息，可以在不同维度的玻恩-奥本海默表面上进行比较。对于电子密度，我们推导出必要的形式主义，以创建SOED措施密切类似于SOAP。由于这种形式主义是更多的参与比SOAP，我们审查的基本理论，但也引入了一组近似，最终使我们能够与SOED在相同的实现可用于评估SOAP。我们把我们的分析集中在基元反应步骤上，其中过渡态结构与反应物或产物结构比后两者彼此更相似。然而，由于多构型效应的影响，过渡态结构的电子能量的预测可能比稳定中间体的电子能量的预测更困难。问题是在多大程度上植根于电子结构理论的分子相似性描述符可以解决这些复杂的影响。
2022-10-07 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Automated Analysis of DFT Output Files for Molecular Descriptor Extraction and Reactivity Modeling
National Taiwan Normal University（台湾师范大学）；Oklahoma State University（俄克拉荷马州立大学）
本文提出DFTDescriptorPipeline，通过自动化流程提取量子化学描述符并构建结构-性质和结构-反应性关系，用于分子设计中的反应性建模。
2026-01-20 physics.chem-ph
Compositional descriptor-based recommender system accelerating the materials discovery
许多无机化合物的结构和性质已被历史地收集。然而，它只涵盖了一小部分可能的无机晶体，这意味着存在许多目前未知的化合物。强大的机器学习策略是从所有化学组合中发现新无机化合物的必要条件。在本文中，我们提出了一种基于推荐器的推荐系统方法来估计可以形成稳定晶体的化学成分的相关性[即，化学相关成分（CRC）。除了文献中使用的数据驱动的组成相似性之外，使用组成描述符作为先验知识可以加速新化合物的发现。我们通过两种方式来验证我们的推荐系统。首先，一个数据库用于构建模型，而另一个数据库用于验证。其次，我们使用密度泛函理论计算来估计化合物在预期的CRC下的相稳定性。
2017-11-17 cond-mat.mtrl-sci physics.chem-ph
CHAOS -- A Consistent Large-scale Database for Sigma-Profiles and Other Molecular Descriptors
Laboratory of Engineering Thermodynamics, RPTU Kaiserslautern（兰茨胡特应用科学大学工程热力学实验室）
本文提出CHAOS数据库，提供53091种分子的σ轮廓及其他量子化学属性，显著扩展了公开可用分子数量，并为分子和热力学性质建模提供一致基础。
2026-04-10 physics.chem-ph
Thermodynamic Descriptors from Molecular Dynamics as Machine Learning Features for Extrapolable Property Prediction
Universidad Complutense de Madrid（马德里康普顿斯大学）；Bayer AG（拜耳股份公司）；Universidad Politécnica de Madrid（马德里理工大学）；University of Cambridge（剑桥大学）
本文提出一种结合物理的机器学习框架，利用分子动力学模拟获得的热力学性质作为特征，提高对未知化学空间的外推预测能力，尤其在预测沸点方面表现优异。
2026-03-18 physics.chem-ph
A critical assessment of bonding descriptors for predicting materials properties
Federal Institute for Materials Research and Testing（联邦材料研究与测试研究所）；Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）；UCLouvain（瓦隆布鲁塞尔天主教大学）
本文评估了结合描述符在预测材料性质中的作用，通过统计显著性检验评估了量子化学结合描述符对机器学习模型性能的影响，发现其能提升预测性能并揭示如投影力常数和晶格热导率等性质的直观表达。
2026-04-16 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Efficient interpolation of molecular properties across chemical compound space with low-dimensional descriptors
Department of Chemistry, University of British Columbia（不列颠哥伦比亚大学化学系）；Stewart Blusson Quantum Matter Institute（斯图尔特·布卢森量子物质研究所）
本研究提出基于库仑矩阵特征值和Gershgorin圆定理的九维描述符，结合高斯过程回归，实现用少量分子数据高效插值分子性质，预测熵和零点振动能，优于图神经网络方法。
2023-11-26 cs.LG physics.chem-ph
Prediction of Activity Coefficients by Similarity-Based Imputation using Quantum-Chemical Descriptors
本文提出基于量子化学 σ-profiles 衡量组分相似性的 SBM 插补方法，用于稀疏数据下预测二元混合物无限稀释活度系数，性能优于 modified UNIFAC (Dortmund) 与 COSMO-SAC-dsp。
2024-12-06 physics.chem-ph
WACSF - Weighted Atom-Centered Symmetry Functions as Descriptors in Machine Learning Potentials
我们引入加权原子中心对称函数（wACSFs）作为化学系统几何形状的描述符，用于通过机器学习预测化学性质，如势能或势能。wACSF是基于传统的原子中心对称函数（ACSF），但克服了后者的不希望的缩放与化学系统中的不同元素的数量增加。这两个描述符的性能进行了比较，使用它们作为输入的高维神经网络电位（HDNNPs），采用的分子结构和相关的133855分子包含多达5个不同的元素在QM 9数据库中报告的参考数据。需要比ACSF少得多的wACSF来获得分子结构的可比空间分辨率。与此同时，这个较小的wACSF集合在机器学习潜力方面比传统ACSF的大集合具有更好的泛化性能。此外，我们表明，描述符的内在参数原则上可以用遗传算法以高度自动化的方式进行优化。对于这里采用的wACSF，我们发现，然而，使用一个简单的经验参数化方案是足够的，以获得高精度的HDNNPs。
2017-12-15 physics.chem-ph stat.ML
Fourier series of atomic radial distribution functions: A molecular fingerprint for machine learning models of quantum chemical properties
我们介绍了一个指纹表示的基础上的原子径向分布函数的傅立叶级数的分子。这个指纹是唯一的（除了手性），连续的，相对于原子坐标和核电荷可微的。它对于平移、旋转和原子核排列是不变的，并且不需要关于化学键、拓扑学或电子轨道的预先设想的知识。因此，它满足了良好分子表示的许多重要标准，这表明它对于在化合物空间中训练的分子特性的机器学习模型是有用的。为了评估这种新描述符的性能，我们已经训练了原子化分子结构的机器学习模型，用于训练多达10 k个有机分子的训练集，这些有机分子是从已公布的134 k个有机分子中随机抽取的。我们验证了134 k集合的所有剩余分子的描述符。对于5 k个分子的训练集，指纹描述符分别达到8.0 kcal/mol的平均绝对误差。这比使用库仑矩阵（另一种流行的替代方法）获得的性能略差，对于相同的训练和测试集，达到6.2 kcal/mol。
2015-03-17 physics.chem-ph
Rem3Di: Learning smooth, chiral 3D molecular descriptors from atomistic foundation models
University of Cambridge（剑桥大学）；Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所）；Imperial College London（伦敦帝国学院）
Rem3Di是一种表征学习框架，利用原子基础模型潜在特征生成可转移分子描述符，用于性质预测和虚拟筛选。它能捕捉分子手性，在药物性质基准测试中表现出色，还能区分过渡金属配合物，为化学机器学习提供新途径。
2026-07-23 physics.atm-clus physics.chem-ph physics.comp-ph
Edge Irregularity Strength: A Complementary Descriptor to Topological Indices in QSPR and QSAR Studies
REVA University（瑞瓦大学）；PES University（佩斯大学）；Tumkur University（通库尔大学）
本文提出将图标记度量边不规则性强度作为拓扑指数的互补描述符，通过为原子分配数值标签系统表征结构特征，证明其能有效捕获分子特征并预测物理化学性质，为QSPR和QSAR研究提供新方法。
2025-11-03 cond-mat.mtrl-sci physics.chem-ph
Chemical dynamics between wells across a time-dependent barrier: Self-similarity in the Lagrangian descriptor and reactive basins
在化学或物理反应动力学中，必须始终精确区分反应物和产物。这个任务在时间依赖或驱动系统中特别苛刻，因为这些状态之间的分界面（DS）通常表现出非平凡的时间依赖性。已经看到所谓的过渡态（TS）轨迹定义了在大量的一维反应中没有跨越时间依赖性势垒的再交叉的DS，并且因此允许确定精确的反应速率。应用这种方法的一个根本挑战是TS轨迹本身的构建。拉格朗日描述符（LD）的最小化提供了一个通用的和强大的计划，即使在微扰理论失败时，获得该轨迹。这两种方法都遇到可能的故障时，总的潜力是有界的，承认的可能性，返回到障碍后很长一段时间的轨迹已经达到产品或反应物井。这样的全局动力学不能用微扰论来描述。同时，在LD-DS方法中，它导致出现额外的局部极小值，这使得难以提取与期望的TS轨迹相关联的最佳分支。在这项工作中，我们说明了这种行为的依赖于时间的双势阱揭示了自相似结构的LD，我们演示了如何反射和侧极小值可以通过适当的修改与直接率跨越障碍的LD。
2017-07-24 nlin.CD physics.chem-ph
Molecular Similarity in Machine Learning of Energies in Chemical Reaction Networks
针对化学反应网络中过渡态结构能量预测的挑战，本研究探讨了结构描述符的局限性，发现基于DFT与耦合簇方法能量差的$Δ$-机器学习优于直接学习，并指出需更复杂的描述符以准确预测过渡态能量。
2025-04-25 physics.chem-ph physics.comp-ph
Investigation of chemical structure recognition by encoder-decoder models in learning progress
Graduate School of Pharmaceutical Sciences, The University of Tokyo（东京大学药学研究科）
本文通过构建不同学习进度的编码器-解码器模型，发现子结构学习较早而结构恢复耗时且不充分学习会高估结构大小，揭示了现有评估方法对SMILES描述符生成模型不够敏感的问题。
2023-03-07 cs.LG physics.chem-ph q-bio.BM
The Great Chicken-and-Egg of Chemistry: Bonding vs. Stability Revisited
Mount Saint Vincent University（圣文森特山大学）；Saint Mary's University（圣玛丽大学）；Dalhousie University（达尔豪斯大学）；Université Laval（拉瓦尔大学）
本文重新审视化学键的概念，指出其并非基本物理实体，而是从量子态衍生出的描述符，探讨键合与稳定性的逻辑关系及化学的自主性。
2026-04-29 physics.chem-ph quant-ph
A basic electro-topological descriptor for the prediction of organic molecule geometries by simple machine learning
本文提出了一种机器学习（ML）方法来预测稳定的分子几何结构，从他们的化学组成。该方法是有用的生成分子构象，可以作为初始几何结构，节省时间昂贵的结构优化过程中的量子力学计算的大分子。通过从先前优化的小分子数据库中训练后预测分子中每个原子周围的局部排列来发现构象。它的工作原理是将数据库中的每个分子划分为不同类型的最小构建块。然后训练该算法以使用电拓扑指纹作为描述符来预测每种类型的构建块的键长和角度。然后通过连接预测块来生成构造。我们的模型能够从化学式和连接性的基础知识中得到优化分子几何形状的有希望的结果。该方法倾向于在$0.05$下用RMSD再现测试块内的原子间距离
2022-10-19 cond-mat.mtrl-sci physics.chem-ph
Local descriptors of dynamic and nondynamic correlation
精确的电子结构计算依赖于对电子关联的正确描述。近似量子化学方法的明智选择取决于动态和非动态相关性的重要性，这通常是由标量测量评估。现有的电子相关性的措施不考虑单独的笛卡尔空间的动态或非动态相关性是最重要的区域。我们介绍了承认轨道分解的动态和非动态电子相关的实空间描述符。局部描述符的集成产生全局数字，可以用来量化动态和非动态相关性。在不同的化学系统与不同的电子相关制度的说明性的例子被用来证明本地描述符的能力。由于表达式只需要轨道和占据数，它们可以很容易地应用于局部相关方法，混合方法，密度矩阵泛函理论和分数占据密度泛函理论的背景下。
2019-05-08 physics.chem-ph
A Novel Approach to Describe Chemical Environments in High Dimensional Neural Network Potentials
分子动力学模拟的一个中心问题是支配原子相互作用的势能面。这些超曲面定义了系统的势能，并且通常使用预定义的分析公式（经典）或量子力学模拟（从头算）来计算。前者只能准确地再现选定的材料特性，而后者则限于短的模拟时间和小系统。机器学习势最近已经成为模拟原子相互作用的第三种方法，并且旨在以经典势的速度提供从头计算模拟的准确性。然而，机器学习潜力的性能关键取决于对局部原子环境的描述。提出了一组不变的，正交的和可微的原子环境的描述符，实现在固态硅的神经网络潜力，并在分子动力学模拟测试。使用建议的描述符的神经网络被发现优于使用Behler Parinello和SOAP描述符目前在文献中。
2019-07-04 physics.chem-ph physics.comp-ph
Towards Linearly Scaling and Chemically Accurate Global Machine Learning Force Fields for Large Molecules
University of Luxembourg（卢森堡大学）
本文提出一种自动化降维方法，在保持化学精度的同时减少机器学习力场描述符数量，使全局MLFF的计算成本随分子尺寸线性增长，而非二次增长。
2023-04-12 physics.chem-ph
Predictive ability comparison of different versions of some well known degree dependent topological indices
本文基于 QSPR/QSAR 分析，比较了 22 种低级多环芳烃的 6 种著名度相关拓扑指数在三个版本中的预测能力。
2023-05-11 physics.chem-ph
Drug-membrane permeability across chemical space
揭示小分子药物样化合物的化学结构与其被动渗透穿过脂质膜的速率之间的关系对于药学应用具有根本的重要性。一个全面的结构-渗透性的关系表示在几个分子描述符的阐明不幸的是，阻碍了压倒性的可能的化合物的数量。在这项工作中，我们减少了先验的化学空间的大小和多样性，以解决类似的-但平滑-结构-性质关系问题。这是通过依赖于基于物理的粗粒度模型来实现的，该模型减小了化学空间的大小，从而能够以大大降低的计算成本全面探索该空间。我们进行高通量粗粒度（HTCG）模拟来获得一个渗透性表面的两个简单的分子描述符-散装分区自由能和pKa。该表面是通过详尽地模拟所有粗粒度的化合物，这些化合物是代表小有机分子（范围从30至160 Da）在一个高通量的计划。我们提供了酸性，碱性和两性离子化合物的结果。回到原子分辨率，HTCG对超过50万种化合物的预测使我们能够在特定化学基团和由此产生的渗透系数之间建立明确的联系，从而首次实现逆向设计程序。我们的研究结果对药物合成具有深远的意义：常用化学基团的优势缩小了渗透性的范围。
2018-12-27 physics.chem-ph
Does Pretraining Teach Chemical Language Models Chemistry?
Harvard University（哈佛大学）
该研究在64个分子属性预测数据集上系统评估化学语言模型（CLMs）的预训练效果，发现其预训练增益不随规模扩大而提升，仅基于传统物理化学描述符的监督式预训练可稳定提升性能，且CLMs仅学到少量额外化学知识。
2026-10-15 cs.CL cs.LG physics.chem-ph
Obtaining transferable chemical insight from solving machine-learning classification problems: Thermodynamical properties prediction, atomic composition as good as Coulomb matrix
机器学习（ML）可用于构建替代模型，以快速预测感兴趣的属性。因此，ML可以应用于化学项目，其中通常的实验或计算技术可能需要数小时或数天才能完成一个样本。通过这种方式，可以从广泛的数据库中提取最有希望的候选样本，并对其进行进一步的深入分析。尽管ML方法具有广泛的适用性，但将ML方法应用于给定的化学问题可能具有挑战性，因为必须做出大量的设计决策，例如使用的分子描述符或训练模型的优化器。在这里，我们提出了一个有意义的探索一个给定的分子问题，通过分类实验的方法。这种概念上简单的方法可以对所选问题产生可转移的见解，并可用作评估预测难度、测试和改进分子表示以及可以开展更精确或雄心勃勃的项目的平台。也可以获得物理化学的见解。通过使用多个分子描述符预测来自公共数据库QM9 [Ramakrishnan 2014]的133，885个有机分子的分子的焓、吉布斯自由能、零点振动能和定容热容来说明该方法。一个值得注意的结果是，对于我们提出的分类问题，低分辨率描述符“原子组成”[Tchagang 2019]可以达到几乎与高分辨率“排序库仑矩阵”[Rupp 2012，Montavon 2012，Hansen 2013]（$>90\%$）相当的分类率，前提是在训练期间使用适当的优化器。
2022-12-02 physics.chem-ph physics.comp-ph
Convex Analysis of Relaxation Dynamics in Chemical Reaction Networks and Generalized Gradient Flows
The University of Tokyo（东京大学）
本文提出了一种基于凸分析的方法，用于研究化学反应网络中松弛动力学的界，并在广义梯度流框架下扩展了这些结果，以分析准稳态区域中的松弛行为。
2026-10-26 cond-mat.stat-mech math.DG math.OC
Constructing and Compressing Global Moment Descriptors from Local Atomic Environments
本研究提出一种可系统改进的方法，从局部原子环境描述符结合统计与化学元素信息构建全局结构描述符，应用于硫代磷酸锂结构并通过信息论得到最优压缩描述符，验证了其在能量预测任务中的性能。
2023-10-09 cond-mat.mtrl-sci physics.chem-ph
Learning to Make Chemical Predictions: the Interplay of Feature Representation, Data, and Machine Learning Algorithms
最近，监督机器学习在为化学、生物和材料科学应用提供新的预测方法方面一直在上升。在这方面，我们专注于机器学习算法与化学动机的描述符以及分子性质预测所需的数据集的大小和类型的相互作用。以核磁共振化学位移预测为例，我们证明了成功取决于选择提取的特征或化学结构的实空间表示，分子性质数据是否丰富和/或实验或计算得出，以及这些数据如何共同影响从深度学习，随机森林或内核方法中提取的流行机器学习算法的正确选择。
2020-02-29 physics.chem-ph
Difficulty in chirality recognition for Transformer architectures learning chemical structures from string
The University of Tokyo（东京大学）
本研究使用Transformer模型探究NLP模型对SMILES化学结构的学习机制，发现其学习整体结构和手性较慢且易误解对映体，为化学领域的NLP模型提供了新理解。
2024-01-14 cs.CL cs.LG physics.chem-ph
Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors and Explainable Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
离子液体（Ionic Liquids，IL）为CO $_2$的捕获和储存提供了一种很有前途的解决方案，以减缓全球变暖。然而，从巨大的化学空间中识别和设计高容量IL需要昂贵且详尽的模拟和实验。机器学习（ML）可以通过以数据驱动的方式进行准确有效的性质预测来加速搜索所需离子分子的过程。但现有的描述符和ML模型的离子分子遭受的分子图结构的适应效率低下。此外，很少有研究ML模型的可解释性，以帮助理解可以指导有效离子分子设计的学习特征。在这项工作中，我们开发了基于指纹的ML模型和图神经网络（GNNs）来预测IL中的CO $_2$吸收。指纹在特征提取阶段处理图结构，而GNN在特征提取和模型预测阶段直接处理分子结构。我们表明，我们的方法优于以前的ML模型，达到了高精度（MAE为0.0137，$R^2$为0.9884）。此外，我们利用GNNs特征表示的优势，并开发了一种基于子结构的解释方法，该方法可以深入了解IL分子中的每个化学片段如何有助于ML模型的CO $_2$吸收预测。我们的解释结果与离子液体中CO $_2$吸附的理论反应机理相吻合，为今后设计新型高效的功能化离子液体提供了参考。
2022-11-09 cs.LG physics.chem-ph
Finding NHIM: Identifying High Dimensional Phase Space Structures in Reaction Dynamics using Lagrangian Descriptors
相空间结构，如分割曲面、通常双曲的不变流形、它们的稳定流形和非稳定流形，已经成为计算定量结果的一个组成部分，如过渡分数、多稳定力学系统中的稳定性侵蚀和化学反应动力学中的反应速率。因此，可以揭示它们在高维相空间（4维或更多维）中的几何形状的方法需要通过与已知结果进行比较来进行基准测试。在这项研究中，我们评估的能力，这样的一种方法称为拉格朗日描述符揭示类型的高维相空间结构与指数-1鞍在哈密顿系统。基于拉格朗日描述子的方法被应用于二和三自由度的二次哈密顿系统，其中高维相空间结构是已知的，即作为封闭形式的解析表达式。这导致拉格朗日描述符图中的特征和相空间结构与等能二维表面的相交的直接比较，从而提供了该方法的验证。
2019-03-25 math.DS nlin.CD physics.chem-ph
Constant Size Molecular Descriptors For Use With Machine Learning
一组分子描述符的长度是独立的分子大小的机器学习模型，目标分子的热力学和电子特性的开发。这些功能进行了评估，通过监测性能的内核岭回归模型的研究数据集的有机小分子。这些特征包括连接性计数，它只需要分子的键合模式，和编码距离，它总结了键合和非键合原子之间的距离，因此需要完整的分子几何结构。除了具有恒定的大小之外，这些特征还总结了关于原子和键的局部环境的信息，使得模型可以利用由于分子之间存在相似的化学片段而产生的相似性。结合这两种类型的功能，导致模型的性能是可比的，或优于目前的最先进的。这里介绍的功能具有的优势，导致模型，可以在较小的分子上训练，然后成功地用于较大的分子。
2017-01-23 physics.chem-ph stat.ML
GLaD: Synergizing Molecular Graphs and Language Descriptors for Enhanced Power Conversion Efficiency Prediction in Organic Photovoltaic Devices
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院）；Department of Chemical & Biomolecular Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校化学与生物分子工程系）
GLaD通过融合分子图与语言描述符，利用预训练语言模型增强低数据下的有机光伏PCE预测，并适用于多种分子性质任务。
2024-05-23 cs.AI cs.LG physics.chem-ph
Design and Analysis of Machine Learning Exchange-Correlation Functionals via Rotationally Invariant Convolutional Descriptors
在这项工作中，我们探索了一种新的数据驱动的方法来设计交换相关（XC）泛函的潜力。该方法受计算机视觉中的卷积滤波器和优化中的代理函数的启发，利用电子密度的卷积来形成特征空间以表示局部电子环境和神经网络以将特征映射到交换相关能量密度。这些特征是无轨道的，并提供了一个系统的路线，包括各种长度尺度的信息。这项工作表明，卷积描述符理论上能够精确表示电子密度，并提出麦克斯韦-笛卡尔球谐核作为一类旋转不变描述符，用于构建机器学习泛函。该方法是证明使用的数据从B3 LYP功能上的一些小分子含有C，H，O和N以及神经网络回归模型。将机器学习的泛函与标准物理近似进行比较，并评估每个分子系统的绝对能量以及形成能的准确性。结果表明，它是可能的重现B3 LYP形成能的化学精度内使用轨道自由的描述符与空间范围为0.2 A。这些发现为电子交换的空间范围提供了经验性的见解，并表明卷积描述符和机器学习回归模型的组合是XC功能设计的一个有前途的新框架，尽管在获得训练数据和生成与赝势一致的模型方面仍然存在挑战。
2019-01-30 physics.chem-ph physics.comp-ph
PyTIE: A Python Program for the Evaluation of Degree-Based Topological Descriptors and Molecular Entropy
Vellore Institute of Technology（维罗尔理工学院）；Rajalakshmi institute of technology（拉贾拉克什米理工学院）；Nirmala College (Autonomous)（尼尔马拉学院（自治））
本文开发了开源跨平台Python包PyTIE，用于系统计算基于度和邻域度的拓扑指数及香农熵，为数学能力有限的化学与化工研究人员提供常数时间内的结果检索、分子图加载与可视化，并支持QSAR和QSPR分析。
2025-10-27 math.CO physics.chem-ph
Deep Learning Foundation Models from Classical Molecular Descriptors
BASF SE（巴斯夫股份有限公司）
CheMeleon通过低噪声分子描述符学习，实现超越经典方法的分子性质预测性能。
2026-02-09 cs.LG physics.chem-ph
Instanton rate constant calculations using interpolated potential energy surfaces in non-redundant, rotationally and translationally invariant coordinates
利用人工神经网络插值化学势能面（PES）的描述符是笛卡尔坐标的一个微不足道的缺陷是它们依赖于简单的平移和旋转的分子考虑。可以选择一组不同的描述符来规避这个问题，核间距离、反核间距离或z矩阵坐标是三个这样的描述符。我们的目标是在瞬子速率常数计算中使用插值PES，因此需要隧道路径附近坐标处的能量，梯度和Hessian信息。瞬子理论依赖于平滑拟合的Hessian，因此我们在训练过程中使用能量，梯度和Hessian。一个主要的挑战是在适当的反变换的输出梯度和海森从内部坐标到笛卡尔坐标。我们执行我们的方法之间的比较，以前的方法和对飞行速率常数计算从甲醇中的氢提取和氢加成到异氰酸。
2020-09-09 physics.chem-ph
Learning from the Density to Correct Total Energy and Forces in First Principle Simulations
我们提出了一个新的分子模拟框架，结合了从头算方法的可转移性，鲁棒性和化学灵活性与机器学习力场的准确性和效率。实现这种混合的关键是使用标准的密度泛函理论（DFT）模拟作为原子和分子信息的预处理器，获得良好质量的电子密度。一般的，对称性保持，原子为中心的电子描述符，然后建立从这个密度训练神经网络，以纠正基线DFT能量和力。这些电子描述符比局部原子环境编码更多的信息，允许简单的神经网络以微不足道的成本达到研究问题所需的精度。准确性和效率之间的平衡由基线模拟确定。这在结果中示出，其中以标准DFT成本获得用于液态水的模拟的高水平量子化学准确度，或者其中以显著降低的成本在具有低水平基线DFT计算的模拟中实现高水平DFT准确度。
2019-08-05 physics.chem-ph physics.comp-ph
All molecules are entangled in the number of electrons following a general physical principle
Middle Tennessee State University（中田纳西州立大学）
本文提出确定分子电子数的物理方程，揭示分子电子数的关联性，推导分子能量的广延性与凸性，表明非整数电子数分子局域可实现，且分子能量呈分段线性关系。
2026-08-05 physics.chem-ph
MesoNet: A Fundamental Principle for Multi-Representation Learning in Complex Chemical Systems
Institute of Zhejiang University – Quzhou（浙江大学衢州研究院）
本文提出MesoNet框架，通过Neural Circuit Policies和跨尺度交叉注意力机制实现多分子体系的多表征学习，在纯组分与混合物数据集上取得优异精度和化学可解释性。
2025-09-23 physics.chem-ph
Binary contraction method for the construction of time-dependent dividing surfaces in driven chemical reactions
过渡态理论形式上提供了一种确定化学反应速率和途径的简化方法。给定一个反应体系的基本势能面，人们可以确定相空间中的分界面，它将反应物和产物区域分开，从而也将这些区域分开。这通常是一项困难的任务，对于高维时间相关系统或需要非局部分割表面时，这一要求尤其苛刻。最近，依赖于拉格朗日描述符的方法已经成功地解决了这些具有挑战性的情况下的一些分割表面，但这种方法也可能是计算昂贵的，由于集成相应的相空间函数的必要性。在本文中，我们提出了一种替代方法，通过该方法可以构造与时间相关的，局部无相交的分割表面，而无需计算任何辅助相空间函数，而仅从接近能垒的简单动力学性质。
2018-08-23 physics.chem-ph
Theoretical Modeling of Structure-Toxicity Relationship of Cyanides
化学活性的全球描述符：利用量子化学计算方法，计算了氰化物X（CN）k（X=H，Na，K，Ag，Cu，Ca，Hg，Cd，Zn）在气相和水介质中的电离势IP，电子亲合势EA，化学势μ，绝对电负性chi，分子硬度η和软度S，亲电性指数ω，并采用密度泛函B3 LYP方法和QZVP方法计算了HOMO和LUMO能级（价四Zeta偏振）基组，能够精确计算氰化氢及其盐，（H、Na、Ca）和重金属（K、Ag、Cu、Cd、Hg、Zn）原子。获得的结果表明，虽然EA参数大致决定了所考虑的氰化物的LD 50值，ω描述符与氰化物LD 50和水解n度的乘积有关。因此，提出的理论LD 50 CN（ω）函数与nLD 50集合变量相互关联，而LD 50（EA）直接近似LD 50，表明氰化物的毒性随着EA的增加而降低，进行的计算表明，实验确定的LD 50（Exp）中有一些是不正确的（AgCN）或不准确的（Cd（CN）2），需要修订。理论估计的LD 50（omega）与NOAEL毒性参数的比较表明，它们与LD 50（EA）和LD 50（Exp）相比具有良好的相关性，分别显示出较低和边缘的相关程度。
2021-04-14 physics.chem-ph q-bio.OT
Clever Materials: When Models Identify Good Materials for the Wrong Reasons
Laboratory of Organic and Macromolecular Chemistry (IOMC), Friedrich Schiller University Jena（有机与大分子化学实验室（IOMC），弗里德里希-施勒特尔大学耶拿）；Helmholtz Institute for Polymers in Energy Applications Jena (HIPOLE Jena)（能源应用高分子研究所耶拿（HIPOLE 耶拿））；Center for Energy and Environmental Chemistry Jena (CEEC Jena)（能源与环境化学中心耶拿（CEEC 耶拿））；Jena Center for Soft Matter (JCSM), Friedrich Schiller University Jena（耶拿软物质中心（JCSM），弗里德里希-施勒特尔大学耶拿）
该研究发现机器学习模型在材料预测中可能受文献元数据影响，而非化学特征，强调需通过严格测试验证模型有效性。
2026-02-18 cond-mat.mtrl-sci cs.LG physics.chem-ph
A general formalism for machine-learning models based on multipolar-spherical harmonics
本文提出基于多极球谐函数展开的一般形式体系，统一描述局部环境描述符的变换性质，简化λ-SOAP核推导，并深入分析多种多体描述符。
2025-08-05 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Bonding in Molecular Crystals from the Local Electronic Pressure Viewpoint
在分子或晶体形成时自发产生的电子流体的内部压力的空间分布与分子晶体中化学键的主要特征有关。局部压力近似表示的实验电子密度及其衍生物使用密度泛函形式主义，并应用于确定在苯，甲酰胺和铬六羰基的键合功能。我们建立了这些固体中电子流体的压缩和拉伸的空间区域如何反映不同类型化学键的典型特征。因此，内部电子压力可以作为键描述符，它具有明确的物理意义，并揭示了各种化学键的具体特征，用电子密度来表达它们。
2015-09-14 cond-mat.mtrl-sci physics.chem-ph
MolTRES: Improving Chemical Language Representation Learning for Molecular Property Prediction
BK21 FOUR R&E Center for Artificial Intelligence, Korea University（韩国大学BK21 FOUR人工智能研究教育中心）；Korea University（韩国大学）
提出 MolTRES 化学语言表示学习框架，通过生成器-判别器训练和外部材料文献知识嵌入缓解过拟合与过早收敛，并在分子性质预测任务上超过现有最先进模型。
2024-07-09 cond-mat.mtrl-sci cs.LG physics.chem-ph
KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening
AI1 Technologies（AI1 科技公司）；KAN Technologies, LLC（KAN 科技有限公司）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
KANEL通过结合可解释的Kolmogorov-Arnold网络与XGBoost等模型，提升高通量虚拟筛选中早期命中富集的准确性。
2026-03-25 cs.LG physics.chem-ph q-bio.QM
