Diagnosis of two evaluation paths to density-based descriptors of molecular electronic transitions
在本文中,我们讨论了两种计算方法的可靠性(数值积分笛卡尔网格,和人口分析)用于评估与电子跃迁的性质有关的标量。这些描述符是电荷密度函数的积分,该电荷密度函数是使用轨道的有限基从在欧几里得空间中投影的脱离和附着密度矩阵构建的。虽然笛卡尔网格上的数值积分很容易被认为是收敛的中等大小的密度网格,人口分析近似的数值积分值诊断使用8个诊断测试59个分子与15个高斯基组和6个交换相关泛函的组合。
2021-04-14 physics.chem-ph
Impact of Local Descriptors Derived from Machine Learning Potentials in Graph Neural Networks for Molecular Property Prediction
Department of Chemistry and Biochemistry, School of Advanced Science and Engineering, Waseda University(早稻田大学先进理工学研究科化学·生物化学系);Waseda Research Institute for Science and Engineering, Waseda University(早稻田大学理工学研究院);AI Innovation Department, ENEOS Holdings, Inc.(ENEOS控股株式会社AI创新部)
本研究通过将机器学习势导出的局部描述符整合到3D GNN中,提升分子性质预测的准确性,尤其在QM9和tmQM数据集上表现优异。
2026-02-03 physics.chem-ph
Bayesian Optimization in Chemical Compound Sub-Spaces using Low-Dimensional Molecular Descriptors
University of British Columbia(不列颠哥伦比亚大学);Stewart Blusson Quantum Matter Institute(斯图尔特·布拉森量子物质研究所)
本研究提出一种基于低维分子描述符的贝叶斯优化框架,用于高效优化化学分子,在小数据条件下实现精准分子设计。
2026-03-03 physics.chem-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
Application of Multivariate Adaptive Regression Splines (MARSplines) for Predicting Hansen Solubility Parameters Based on 1D and 2D Molecular Descriptors Computed from SMILES String
将多元自适应回归样条(MARSplines)方法与一维和二维PaDEL分子描述符的简单多元回归相结合,提出了一种新的Hansen溶解度参数(HSPs)预测方法。为了将MARSplines方法应用于QSPR/QSAR问题,提出并测试了几种优化方法。通过QSARINS软件提供的标准QSPR/QSAR内部验证程序和通过预测聚合物和药物样固体溶质在溶剂集合中的溶解度分类来检查所获得的模型的有效性。通过利用仅来自SMILES字符串的信息,所获得的模型允许计算所有的三个汉森溶解度参数,包括分散,极化和氢键。虽然几个描述符需要适当的参数估计,所提出的程序是简单和直接的,不需要一个分子的几何形状优化。所获得的HSP值与实验数据高度相关,并且它们用于解决溶解度问题的应用导致与原始参数基本相同的质量。基于所提供的模型,可以表征HSP数据不可用的任何溶剂和液体溶质。
2019-01-10 physics.chem-ph
An Automated Framework for Analyzing Structural Evolution in On-the-fly Non-adiabatic Molecular Dynamics Using Autoencoder and Multiple Molecular Descriptors
South China Normal University(华南师范大学)
针对非绝热分子动力学中反应坐标人工分析效率低、依赖专家经验的问题,提出结合自编码器、聚类与信息熵分析的自动化机器学习框架,可高效准确地从轨迹数据中识别反应通道与关键坐标,为激发态动力学机理研究提供新范式。
2025-11-17 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
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
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
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
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
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
The use of fast molecular descriptors and artificial neural networks approach in organochlorine compounds electron ionization mass spectra classification
理论工具的开发可以非常有助于支持新污染物的检测。目前,质谱和色谱技术的结合是最基本的环境监测方法。本文提出了两种有机氯化合物的质谱分类体系。分类模型的人工神经网络(ANN)和快速的一维和二维分子描述符计算的框架内开发。根据[M]和[M-35]两个特征峰的强度,提出了两个分类标准。根据标准I,类别1包括强度高于800 NIST单位的[M]个信号,而类别2由强度低于或等于800的信号组成。根据标准II,第1类由强度高于100的[M-35]信号组成,而强度低于或等于100的信号属于第2类。作为人工神经网络学习阶段的结果,两个分类标准的五个模型被生成。外部模型验证表明,所有人工神经网络的特点是高预测能力;然而,基于标准I的人工神经网络更准确,因此更适合于分析目的。为了获得另一个确认,选择的人工神经网络进行了测试,对其他数据集,包括流行的防晒剂消毒副产品在以前的工作报告。
2019-10-16 physics.chem-ph
Global descriptors of a water molecule for machine learning of potential energy surfaces
从纯从头算数据集进行多维势能面的机器学习在过去几年中取得了实质性进展。高斯过程是一种流行的回归方法,在从稀疏数据集产生逼真的势能面方面非常成功,从而降低了高精度模型的计算成本。然而,在核和特征空间的设计中有许多选择,这可能会大大改变模型的性能和特性。在这项研究中,我们将探索不同的高斯过程设置,更具体地说,如何通过特征空间选择控制目标表面的置换不变性。
2023-01-10 physics.chem-ph
Detecting dynamic domains and local fluctuations in complex molecular systems via timelapse neighbors shuffling
本文提出基于LENS描述符的机器学习框架,通过追踪分子邻居随时间的洗牌变化,无监督识别复杂分子系统的动态区域并检测局部涨落。
2022-12-24 physics.chem-ph
Machine learning evaluation of structural descriptors for supercooled water
The University of Osaka(大阪大学)
本文利用神经网络温度分类框架评估16种结构描述符,揭示其区分超冷却水温度依赖性结构变化的能力,并通过可解释人工智能方法确定影响模型预测的结构特征。
2026-07-10 cond-mat.soft physics.chem-ph
Optimal Invariant Bases for Atomistic Machine Learning
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Center for Nonlinear Studies(非线性研究中心);Max Planck Institute for Polymer Research(马克斯·普朗克聚合物研究所);Computer, Computational, and Statistical Sciences Division, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室计算机、计算与统计科学部)
本文通过移除冗余的函数依赖描述符,构建了满足完整性的最小原子环境描述符集,并基于此改进了原子团簇展开和标量神经网络,提出了一种能在每个神经元识别多达5体模式的新消息传递网络架构,在保持低计算成本的同时实现了高精度。
2025-04-03 cs.CV 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
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
Bond type restricted radial distribution functions for accurate machine learning prediction of atomization energies
了解机器学习算法的性能对于设计更准确、更高效的统计模型至关重要。并不总是能够解开神经网络的推理。在这里,我们提出了一种计算机器学习内核的方法,在封闭和解析形式相结合的原子属性加权径向分布函数(AP-RDF)描述符与高斯内核。这使我们能够分析和改进Bag-of-Bonds描述符的性能,当债券类型限制包含在AP-RDF中时。实现的改进是用于分子原子化能量的预测,是由于将张量积纳入内核捕获的AP-RDF的多维表示。另一方面,AP-RDF的数值版本是一个恒定大小的描述符,它比Bag-of-Bonds更有效。我们还讨论了分子量子相似性和具有第一原理描述符的机器学习内核之间的联系。
2018-07-26 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
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
SMILES-X: autonomous molecular compounds characterization for small datasets without descriptors
National Institute for Materials Science(国立材料科学研究所);University of Tsukuba(筑波大学)
越来越多的证据表明,机器学习可以成功应用于材料科学及相关领域。但是,这些字段中的数据集通常非常小($\ll1000$样本)。这使得最先进的机器学习技术仍然被忽视,因为它们被认为只适用于大数据。此外,材料信息学方法通常依赖于人类工程描述符,这些描述符应该仔细选择,甚至创建,以适应人们想要预测的物理化学性质。在这篇文章中,我们提出了一种新的方法,既解决了小数据集的问题,又解决了特定于任务的描述符开发的困难。SMILES-X是一种基于嵌入-编码-参与-预测神经架构的分子化合物表征自主管道,具有数据特定的贝叶斯超参数优化。架构的唯一输入-SMILES字符串-被去规范化,以有效地增加数据。该架构的关键特征之一是注意力机制,它可以在不增加额外计算成本的情况下解释输出预测。SMILES-X在分子化合物的水溶解度($\overline{RMSE}_{test} \simeq 0.57 \pm 0.07$ mol/L)、水合自由能($\overline{RMSE}_{test} \simeq 0.81 \pm 0.22$ kcal/mol,$\sim 24.5\%$优于分子动力学模拟)和辛醇/水分配系数(pH 7.4下LogD的$\overline{RMSE}_{test} \simeq 0.59 \pm 0.02$)的推断方面显示了最新的结果。SMILES-X旨在成为材料科学家和化学家工具包中的重…
2019-07-04 cs.LG physics.chem-ph physics.comp-ph
Continuous and Optimally Complete Description of Chemical Environments Using Spherical Bessel Descriptors
最近,机器学习势已经被作为候选者提出,以将量子力学模拟的高精度与经典原子间势的速度相结合。机器学习潜力的一个关键组成部分是通过一些描述符集来描述局部原子环境。理想情况下,这些应该在整个指定的局部原子环境中是连续的,相对于原子位置是二次可微的,并且在包含关于邻域的所有可能信息的意义上是完整的。最近提出的球形贝塞尔描述符的更新版本满足所有这三个属性,而且是最佳的完整的意义上的编码所有配置信息与尽可能少的描述符。在文献中经常访问的原子位置描述符的平滑重叠和建立在类似基础上的Zernike描述符被包括在讨论中,作为球面贝塞尔描述符的自然对应物,并且被证明无法满足准确描述的完整核心要求列表。除了在数学和物理上更优越之外,球面贝塞尔描述符还具有允许机器学习潜力的优点,其具有可比的准确性,每次评估所需的计算时间比原子位置描述符的平滑重叠少大约一个数量级,这似乎是最近研究中描述符的常见选择。
2019-07-04 physics.chem-ph physics.comp-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
Tabular foundation models for in-context prediction of molecular properties
RWTH Aachen University, Process Systems Engineering (AVT.SVT)(RWTH亚琛大学,过程系统工程(AVT.SVT));Lehrstuhl Informatik 7, RWTH Aachen University(信息学7系,RWTH亚琛大学);Forschungszentrum Jülich GmbH, Institute of Climate and Energy Systems ICE-1: Energy Systems Engineering(焦耳研究中心有限公司,气候和能源系统ICE-1:能源系统工程);JARA-CSD
本文提出利用表格基础模型进行分子属性的上下文预测,通过减少计算成本并提升预测性能,在低至中等数据量下展示出优于传统方法的潜力。
2026-04-20 cs.LG physics.chem-ph
Machine Learning Accelerated Descriptor Design for Catalyst Discovery in CO$_2$ to Methanol Conversion
本文提出吸附能分布这一新型催化描述符,结合机器学习力场与无监督学习分析近160种金属合金,加速CO₂制甲醇热催化剂发现,并预测ZnRh和ZnPt₃为有前景的新候选催化剂。
2025-07-04 cond-mat.mtrl-sci 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
Insights into Ionic Diffusion in C-S-H Gel Pore from Molecular Dynamics Simulations: Spatial Distributions, Energy Barriers, and Structural Descriptor
Rice University(莱斯大学)
本文利用MD模拟解析4 nm C-S-H孔道中Na、Cl和水扩散的空间异质性,结合Arrhenius分析、TCS描述符与Darcy-Brinkman经验模型揭示界面受限机制。
2025-09-27 cond-mat.mtrl-sci physics.chem-ph physics.comp-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
Identifying the Catalytic Descriptor of Single-Atom Catalysts in Nitrate Reduction Reaction: An Interpretable Machine-Learning Method
Ningbo University(宁波大学);Zhengzhou University(郑州大学)
本研究利用可解释机器学习方法,从286种BC₃基单原子催化剂中识别出硝酸盐还原反应的关键影响因素,构建了整合本征性质与中间体结构的描述符ψ,并筛选出16种性能优于已报道体系的低成本非贵金属催化剂。
2025-10-22 cond-mat.mtrl-sci physics.chem-ph
Coarse-Grained Configurational Polymer Fingerprints for Property Prediction using Machine Learning
IIT Roorkee(鲁尔基印度理工学院)
本研究提出一种基于 Bead-Spring-Model 的聚合物构型级指纹生成方法,结合几何描述符和无监督 autoencoder 生成的数据驱动描述符,通过训练 ML 模型学习从结构到性质的映射,并验证了其在预测平衡构型出现概率方面的有效性。
2023-11-20 cs.AI cs.LG physics.chem-ph
From electronic structure to catalytic activity: A single descriptor for adsorption and reactivity on transition-metal carbides
用密度泛函理论研究了过渡金属碳化物(TMC)极性(111)表面的吸附和催化性质。原子和分子的吸附合理化与协调耦合模型,其中两种类型的TMC表面共振(SR的)起着关键作用。过渡金属衍生的SR被发现是一个单一的可测量的描述符的吸附过程,这意味着Brønsted-Evans-Polanyi关系和标度关系适用。这给出了一个图片与配位体和空位效应的影响,并具有广泛的非均相催化剂的筛选程序的潜力。
2009-05-18 physics.chem-ph physics.comp-ph
A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors
本文提出基于领域专业知识的非绝热耦合向量特定描述符,实现了超过0.99的高精度机器学习,通过新的ML相校正程序提升效率和鲁棒性,应用于全机器学习驱动的FSSH模拟。
2025-05-29 cs.LG physics.chem-ph physics.comp-ph
Enhancing NMR Shielding Predictions of Atoms-in-Molecules Machine Learning Models with Neighborhood-Informed Representations
Tata Institute of Fundamental Research(塔塔基础研究所)
通过引入邻域信息表示,改进原子-分子机器学习模型的NMR屏蔽预测,实现更高的准确性和效率。
2025-12-11 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
Generalizable, Fast, and Accurate DeepQSPR with fastprop
Massachusetts Institute of Technology(麻省理工学院)
本文提出fastprop框架,利用分子级描述符在更短时间内达到或超越学习表示的预测性能,实现快速、准确且可泛化的定量结构-性质关系预测。
2025-01-29 cs.LG physics.chem-ph
Unsupervised identification of crystal defects from atomistic potential descriptors
本文比较PCA、UMAP和PaCMAP三种无监督算法,利用分子动力学原子势描述符识别硅和水体系中的晶体缺陷、相及冰成核晶核,发现PaCMAP总体更稳健,UMAP在类别不平衡时更优。
2024-09-30 cond-mat.mtrl-sci 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
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
Shannon and Rényi entropies of molecular densities: insights into extensivity and the incomplete description of electron correlation
University of Oviedo(奥维耶多大学)
本文研究了基于电子密度和形状函数的香农和雷尼熵作为电子相关性描述符的可靠性,发现这些密度基描述符在静态相关性和可扩展性方面存在缺陷。
2026-04-20 physics.chem-ph quant-ph
Transferable and Robust Machine Learning Model for Predicting Stability of Si Anodes for Multivalent Cation Batteries
本文提出基于SVR的硅-碱金属合金稳定性预测模型,利用约750种合金数据比较XRD、SCM和OFM描述符,证明XRD结合超参数调优可提升跨结构迁移性并降低数据需求。
2023-06-25 cond-mat.mtrl-sci 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
Selectivity- and Activity-Aware Catalyst Descriptors for CO$_2$ Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields
Technical University of Munich(慕尼黑工业大学);Aalto University(阿尔托大学)
本文提出一种基于机器学习力场的改进框架,用于预测催化活性并分析选择性,通过分析不同晶面的吸附能分布,识别出高活性和甲醇选择性晶面,为高选择性CO₂氢化提供实验验证。
2026-09-11 cond-mat.mtrl-sci physics.chem-ph physics.comp-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
LATTE: an atomic environment descriptor based on Cartesian tensor contractions
Scuola Internazionale Superiore di Studi Avanzati(国际高等研究学院);CNR-IOM DEMOCRITOS, Istituto Officina dei Materiali(国家研究委员会材料研究所DEMOCRITOS项目组);NVIDIA Corporation(英伟达公司)
本研究提出基于笛卡尔张量收缩的新型局部原子环境描述符LATTE,可高效构建带可学习参数的多体项,兼具高效性与可扩展性,在多个体系中性能可比肩快速势函数,且精度可接近当前最优水平。
2024-05-13 cond-mat.mtrl-sci cs.LG physics.chem-ph
Geometric Deep Learning on Molecular Representations
ETH Zurich(苏黎世联邦理工学院);Eindhoven University of Technology(埃因霍温理工大学);ETH Singapore SEC Ltd(苏黎世联邦理工学院新加坡中心有限公司)
几何深度学习(GDL)是基于神经网络架构的,它包含并处理对称信息,已成为人工智能的最新范式。GDL在分子建模应用中具有特殊的前景,其中存在具有不同对称性和抽象水平的各种分子表示。本文综述了分子GDL的结构和协调的概述,突出了其在药物发现,化学合成预测和量子化学中的应用。重点放在学习的分子特征的相关性和它们的互补性,以完善的分子描述符。本文综述了当前的挑战和机遇,并提出了GDL的分子科学的未来的预测。
2021-12-31 cs.AI cs.LG physics.chem-ph