From Memory Traces to Surface Chemistry: Decoding REDOX Reactions
针对传统垂直忆阻气体传感器难以利用非线性 I-V 动力学的问题,本文研究横向 Na 掺杂 ZnO 平面电阻开关器件,并结合模式识别算法解码表面 REDOX 反应特征。
2024-10-28 physics.app-ph physics.chem-ph
Machine Learning-Aided First-Principles Calculations of Redox Potentials
本研究结合第一性原理计算与机器学习,利用PBE0杂化泛函准确预测了Fe、Cu、Ag三个氧化还原对的氧化还原电位,并通过热力学积分、微扰理论与Δ-机器学习显著降低了计算成本。
2024-03-22 physics.chem-ph
Absolute standard hydrogen electrode potential and redox potentials of atoms and molecules: machine learning aided first principles calculations
本研究针对第一性原理难以准确预测电极电势的问题,结合机器学习力场、Δ-机器学习模型与热力学方法实现相空间采样,用含25%精确交换的杂化泛函准确预测绝对标准氢电极电势及7类氧化还原电对的电势,平均误差仅80 mV。
2024-09-17 physics.chem-ph
Redox potential replica exchange molecular dynamics at constant pH in AMBER: Implementation and validation
氧化还原过程在化学中很重要,在生物医学、化学分析等方面有应用。由于许多氧化还原实验也在固定的pH值下进行,因此具有有效的计算方法来支持恒定氧化还原电位和pH下的实验测量是非常重要的。这样的计算技术有可能验证在这些条件下进行的实验观察,并提供额外的信息无法实现的实验,如原子水平的宏观措施的描述。我们目前的实施离散氧化还原和质子化状态的方法恒定氧化还原电位分子动力学(CEMD),耦合恒定pH和恒定氧化还原电位MD(C(pH,E)MD),和沿氧化还原电位维(E-REMD)的AMBER软件包。验证结果是一个小的系统,包含一个单一的血红素组:N-乙酰微过氧化物酶-8(NAcMP 8)轴向连接到一个组氨酸肽。实施的方法允许一个标准的氧化还原电位(Eo)的预测具有相同的容易性和准确性的pKa预测使用恒定pH值分子动力学和pH-REMD方法目前可在琥珀。在我们的模拟中,我们可以正确地描述,也与理论预测一致,以下行为:当氧化还原活性基团被还原时,接近pH的活性基团的pKa增加,因为它变得更容易附着质子;同样,当pH活性基团被质子化时,相邻氧化还原活性基团的Eo上升。此外,我们的研究结果还表明,E-REMD是能够实现更快的统计收敛比CEMD或C(pH,E)MD。此外,使用我们的方法的计算基准测试显示,与传统的CPU计算相比,GPU加速计算的高性能。
2018-08-15 physics.chem-ph
Unraveling the multivalent Aluminium-ion redox mechanism in 3,4,9,10-Perylenetetracarboxylic dianhydride (PTCDA)
可再充电有机锂电池是一种令人兴奋的新兴储能技术,由于其低成本和有前途的高性能,由于允许多电子氧化还原化学和多价铝离子嵌入的能力。在这项工作中,我们使用密度泛函理论(DFT)计算和实验方法相结合的有机染料3,4,9,10-二萘嵌苯四甲酸二酐(PTCDA)在1,3-乙基甲基咪唑(EMIm $^+$)氯铝酸盐电解质的充电-放电反应背后的机制。我们的结论是,与以前的报告声称的三价铝$^{3+}$的嵌入,参与氧化还原反应的实际离子物种是二价的AlCl $^{2+}$。虽然不太理想的情况下,这种机制仍然允许理论上转移四个电子每分子式单位,对应于一个显着的比容量为273 mAh g $^{-1}$。然而,由于其在电解质中的溶解性,基于PTCDA的阴极的反应的不良可逆性和低循环寿命使其不太可能成为商业应用的候选者。
2021-12-13 cond-mat.mtrl-sci physics.chem-ph
Fingerprint oxygen redox reactions in batteries through high-efficiency mapping of resonant inelastic X-ray scattering (mRIXS)
在电池中实现晶格氧的可逆氧化还原反应是提高电池能量密度和功率密度的一个重要途径。然而,传统的氧吸收光谱法无法区分氧化物基电池电极中的临界氧化学。因此,高效率的共振非弹性X射线散射(mRIXS)的全范围映射已被开发作为一个可靠的探针的氧氧化还原反应。在这里,基于从一系列Li1.17Ni0.21Co0.08Mn0.54O2电极在不同电化学状态下收集的mRIXS结果及其与过氧化物的比较,我们提供了在mRIXS结果中观察到的五个组分的综合分析。虽然几乎所有的组件在电化学循环后的变化,与过氧化物物种的比较表明,只有两个演变的功能对应于临界氧化的氧状态。一个是在531.0eV激发和523.7eV发射能量处的特定特征,另一个是低能量损失特征。我们表明,这两个功能演变与电化学循环的Li1.17Ni0.21Co0.08Mn0.54O2电极,并可用于表征电池电极中的氧氧化还原状态。这项工作是从电池材料中收集的所有重要mRIXS特征的完整分配的第一个基准,它为未来的表征,分析和理论计算研究提供了指导,以探测和理解氧氧化还原反应。
2018-12-22 cond-mat.mtrl-sci physics.chem-ph
The Effect of Water on Quinone Redox Mediators in Non- aqueous Li-O2 Batteries
与还原氧物种相关的寄生反应以及难以实现高理论容量一直是阻碍实用非水Li-O2电池发展的主要问题。我们在此通过探索2,5-二叔丁基-1,4-苯醌和H2O对非水Li-O2电池中氧化学的协同效应来解决上述问题。水使醌单阴离子和二阴离子稳定,使醌和单阴离子的还原电位向更正值(相对于Li+)移动。当水和醌在(大部分)非水Li-O 2电池中一起使用时,电池放电通过双电子氧还原反应进行以形成Li 2 O 2,电池放电电压、速率、容量都显著增加,并且检测到较少的副反应; Li 2 O2晶体可以生长到30 μ m,比单独使用醌或没有任何添加剂的情况大一个数量级以上,这表明水对于促进溶液主导的醌放电过程是必需的。通过醌单阴离子的O2的催化还原是主要负责上述有吸引力的功能。水通过氢键形成和通过Li+离子的配位稳定醌单阴离子,并且它还有助于增加还原的氧物质的溶剂化、浓度、寿命和扩散长度,所述还原的氧物质决定电池的放电电压、速率和容量。当还使用氧化还原介体来辅助充电过程时,获得高功率、高能量密度、可再充电Li-O2电池。
2018-05-08 physics.chem-ph
Physics-informed machine learning of redox flow battery based on a two-dimensional unit cell model
Pacific Northwest National Laboratory(太平洋西北国家实验室)
提出基于二维数学模型的PINN方法预测全钒氧化还原液流电池性能,通过复合网络与自加权法求解,并利用集流体约束与少量标注数据修正电势预测偏移。
2023-09-07 cs.LG physics.chem-ph
Photooxidation of water with heptazine-based molecular photocatalysts: Insights from spectroscopy and computational chemistry
我们提出了一个最近的联合光谱和计算的研究,提供了新的见解的氢键复合物的heptazine(Hz)的发色团与羟基底物分子(水和苯酚)的光化学的概论。发现Hz的功能化衍生物三茴香醚庚嗪(TAHz)可以在均相光化学反应中光氧化水和苯酚。这允许探索的基本机制的质子耦合电子转移(PCET)过程中参与的水的光氧化反应在定义明确的化学可调的分子生色团与化学可调的基板分子的配合物。Hz分子及其衍生物的激发电子态的独特性质被突出显示。的势能景观相关的PCET反应的特点是明智的计算研究。这些数据提供了合理的激光控制的PCET反应TAHz-苯酚配合物的泵推探测光谱,揭示了发生的非反应性的局部激发态的发色团与反应性分子间电荷转移状态的相互作用的分支机制的演示的基础。从这些结果外推,我们提出了一个一般的情况下,解开复杂的光诱导水裂解反应成简单的顺序光驱动的单电子氧化还原反应,然后由简单的黑暗自由基自由基重组反应。
2020-06-30 physics.chem-ph
Improved decision making with similarity based machine learning: Applications in chemistry
本文提出基于相似性的机器学习方法,通过按查询邻近性即时选数训练,解决化学数据稀缺下的决策问题,并应用于分子设计与合成规划。
2023-11-29 physics.chem-ph
Big Data meets Quantum Chemistry Approximations: The $Δ$-Machine Learning Approach
本文提出Δ-机器学习方法,将机器学习修正叠加到低成本近似量子化学方法上,以低计算成本实现对大规模分子焓、自由能、熵和电子相关能的高精度预测,并验证了其可迁移性。
2015-03-17 physics.chem-ph
Construction of Chemistry Inspired Dynamic Ansatz Utilizing Generative Machine Learning
本文提出利用受限玻尔兹曼机与多体微扰度量构建紧凑的化学启发式动态拟设,通过预测并纳入主导高秩行列式,以最少训练数据和浅深度电路实现精确分子能量计算。
2025-03-11 physics.chem-ph
Perspective on integrating machine learning into computational chemistry and materials science
机器学习(ML)方法几乎被用于电子结构理论和分子模拟的每一个可能的领域。特别是,ML已经牢固地建立在高维原子间势的建设。没有一天没有发表另一个关于ML方法如何表示和预测量子力学性质的原理证明-无论它们是可观察的,如分子极化率,还是不可观察的,如原子电荷。随着ML在电子结构理论和分子模拟中变得越来越普遍,我们概述了原子计算建模如何通过纳入ML方法进行改造。从该领域从业者的角度来看,我们评估了预测结构,动力学和光谱学的常见工作流程如何受到ML的影响。最后,我们讨论了如何实现ML方法与计算化学和材料科学的更紧密和持久的整合,以及这对研究实践,软件开发和研究生培训意味着什么。
2021-06-21 physics.chem-ph
Combining Machine Learning and Computational Chemistry for Predictive Insights Into Chemical Systems
机器学习模型通过极大地加速计算算法和放大计算化学方法的洞察力,有望对化学科学产生变革性的影响。然而,实现这一目标需要计算机科学和物理科学专业知识的融合和共同作用。这篇评论是为在这两个领域的交叉点工作的新的和有经验的研究人员写的。我们首先提供计算化学和机器学习方法的简明教程,展示如何实现涉及两者的见解。然后,我们对值得注意的应用程序进行了严格的审查,这些应用程序展示了计算化学和机器学习如何一起使用,以在分子和材料建模,逆合成,催化和药物设计中提供有见地的(和有用的)预测。
2021-02-12 physics.chem-ph physics.comp-ph
Optimized Multifidelity Machine Learning for Quantum Chemistry
针对多保真度机器学习固定组合方案预测精度受限的问题,提出基于超参数优化的o-MFML方法,在原子化能、激发能预测任务中精度优于传统MFML,在数据分布差、保真度层级不明确场景下仍有优势。
2023-12-09 physics.chem-ph
Unifying machine learning and quantum chemistry -- a deep neural network for molecular wavefunctions
机器学习通过实现基于量子化学计算的化学空间的大规模探索来推进化学和材料科学。虽然这些模型提供了原子化学性质的快速和准确的预测,但它们没有明确地捕获分子的电子自由度,这限制了它们在反应化学和化学分析中的适用性。在这里,我们提出了一个深度学习框架,用于在原子轨道的局部基础上预测量子力学波函数,从中可以导出所有其他基态性质。这种方法通过类似力场效率的波函数保留了对电子结构的完全访问,并在解析可微表示中捕获了量子力学。在几个例子中,我们证明了这为目标电子特性优化的分子结构逆向设计开辟了有希望的途径,并为增加机器学习和量子化学的协同作用开辟了明确的道路。
2019-06-24 physics.chem-ph stat.ML
Machine Learning Framework for Modeling Exciton-Polaritons in Molecular Materials
本工作提出基于分层相互作用粒子神经网络的机器学习协议,预测分子激发态性质并计算集体耦合下偶氮甲烷的势能面与电子光谱,为极化子化学建模提供框架。
2024-01-02 physics.chem-ph
Metrics for Benchmarking and Uncertainty Quantification: Quality, Applicability, and a Path to Best Practices for Machine Learning in Chemistry
University at Buffalo, The State University of New York(纽约州立大学布法罗分校);New York State Center of Excellence in Materials Informatics(纽约州材料信息学卓越中心)
这篇综述旨在提请注意当我们着手使机器学习在化学和材料领域发挥作用时所关注的两个问题,即,统计损失函数度量,用于数据衍生模型的验证和基准测试,以及由它们做出的预测的不确定性量化。它们经常被忽视或低估的主题,因为化学家通常只有有限的统计培训。除了帮助评估给定模型的质量、可靠性和适用性外,这些指标也是比较不同模型性能的关键,因此也是为机器学习在化学中的成功应用制定指导方针和最佳实践的关键。
2021-01-22 cs.LG physics.chem-ph
Machine Learning, Quantum Mechanics, and Chemical Compound Space
我们回顾了最近的研究处理的分子和固体性质的机器学习模型的生成。使用从化学空间随机选择的有机分子和材料获得的标准量子化学结果来训练和验证模型。
2016-05-12 physics.chem-ph
Exploring the design space of machine-learning models for quantum chemistry with a fully differentiable framework
本文提出一个集成有效电子哈密顿量预测与可微量子力学工作流PySCFAD的框架,探索混合ML/QM模型设计空间,评估多目标训练和缩减基组ML哈密顿量的准确性与可迁移性,为ML与QM组件接口设计提供指导。
2025-04-01 physics.chem-ph
A survey on Big Data and Machine Learning for Chemistry
University of São Paulo(圣保罗大学);Dublin City University(都柏林城市大学)
在这里,我们回顾了利用大数据和机器学习(ML)的化学前沿研究和创新方面,这两个计算机科学领域结合起来产生机器智能。ML可以加速复杂化学问题的解决,甚至可以解决原本不容易解决的问题。但机器学习的潜在好处是以大数据生产为代价的;也就是说,为了学习,算法需要大量不同性质和不同来源的数据,从材料属性到传感器数据。在调查中,我们提出了未来发展的路线图,重点是材料发现和化学传感,以及物联网(IoT)的背景下,这两个领域都是大数据背景下ML的突出研究领域。除了概述最新进展外,我们还详细阐述了大数据和ML应用于化学的概念和实际局限性,概述了过程,讨论了陷阱,并回顾了成功和失败的案例。
2019-04-23 cs.LG physics.chem-ph
OrbNet Denali: A machine learning potential for biological and organic chemistry with semi-empirical cost and DFT accuracy
我们提出了OrbNet Denali,这是一种用于电子结构的机器学习模型,旨在取代基态密度泛函理论(DFT)能量计算。该模型是一个消息传递神经网络,它使用来自低成本量子计算的自适应原子轨道特征来预测分子的能量。OrbNet Denali在一个包含230万个分子和几何结构DFT计算的庞大数据集上进行训练。该数据集涵盖了生物和有机化学中最常见的元素(H,Li,B,C,N,O,F,Na,Mg,Si,P,S,Cl,K,Ca,Br,I)以及带电分子。OrbNet Denali在几个成熟的基准数据集上进行了演示,我们发现它提供了与现代DFT方法相当的精度,同时提供了高达三个数量级的加速。对于GMTKN 55基准测试集,OrbNet Denali的WTMAD-1和WTMAD-2得分分别为7.19和9.84,与现代DFT泛函相当。对于几个GMTKN 55子集,其中包含在训练集中不存在的化学问题,OrbNet Denali产生的平均绝对误差与DFT方法相当。对于Hutchison conformers基准集,与参考DLPNO-CCSD(T)计算相比,OrbNet Denali的中位相关系数R^2=0.90,与用于生成训练数据的方法(wB 97 X-D3/def 2-TZVP)相比,R^2=0.97,超过了具有类似成本的任何其他方法的性能。同样,该模型在S66 x10数据集中达到了非共价相互作用的化学…
2021-07-02 physics.chem-ph
Constructing accurate and efficient general-purpose atomistic machine learning model with transferable accuracy for quantum chemistry
本文提出XPaiNN模型扩展,结合直接学习和Δ-ML两种训练策略,在量子化学多类任务上实现了兼具精度、效率与可迁移性的通用原子机器学习。
2024-08-12 physics.chem-ph
Science Done on a Machine by a Machine: AI Agents in Computational Chemistry
State Key Laboratory of Physical Chemistry of Solid Surfaces(固体表面物理化学国家重点实验室);College of Chemistry(化学学院);Xiamen University(厦门大学);School of Physics, Anhui University(安徽大学物理学院)
该文综述了截至2026年8月计算化学AI智能体的发展现状,指出其正从辅助任务向自主科研迈进,通用智能体或取代专用系统,引发领域未来走向的困惑。
2026-10-06 cs.AI physics.chem-ph physics.comp-ph
ML4Chem: A Machine Learning Package for Chemistry and Materials Science
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
ML4Chem是一个用于化学和材料科学的开源机器学习库。它提供了一个可扩展的平台来开发和部署机器学习模型和管道,并针对非专家和专家用户。ML4Chem遵循用户体验设计,并提供从数据准备到推理所需的工具。在这里,我们将介绍其原子模块的实现,部署和原子为中心的模型的可重复性。该模块由六个核心构建块组成:数据、特征化、模型、模型优化、推理和可视化。我们提出了他们的功能和易用性,利用神经网络和核岭回归算法的演示。
2020-03-02 cond-mat.mtrl-sci cs.LG physics.chem-ph
The Sabatier principle for Battery Anodes: Chemical Kinetics and Reversible Electrodeposition at Heterointerfaces
几个世纪以来,表面化学如何影响其上发生的反应一直是广泛科学和技术兴趣的长期问题。最近,它再次成为化学的一个分支学科-异相电化学中的一个关键问题,其中答案对人类如何以及以何种形式储存世界各地太阳能和风能装置产生的越来越多的可再生电功率具有影响。在这里,我们认为在这样的界面处的表面化学之间的关系和在可充电电池电极的电化学转化的可逆性。传统观点认为,金属沉积物和电极之间较强的化学相互作用促进可逆性。相反,我们报告说,沉积物和基板之间的化学相互作用的中等强度,既不太弱也不太强,使最高的可逆性和稳定性的电镀/剥离氧化还原过程在电池阳极。类似于化学多相催化的经验Sabatier原理,我们的发现来自于竞争过程的汇合-一个由电化学驱动,另一个由化学合金化驱动。基于当代感兴趣的电池阳极中的金属电镀/剥离系统的实验评估,我们表明,这些知识为基于地球丰富的低成本金属的高度可逆的电化学储能技术中的关键材料的设计提供了一个强大的工具。
2022-09-25 cond-mat.mtrl-sci physics.chem-ph
Reactive Chemistry at Unrestricted Coupled Cluster Level: High-throughput Calculations for Training Machine Learning Potentials
本研究开发了自动化无限制耦合簇计算的新方法,构建了含3119个有机分子构型的UCCSD(T)气相反应数据集,并训练出可迁移的机器学习原子间势,显著提升了力精度和活化能重现性。
2025-09-13 physics.chem-ph
Machine learning the computational cost of quantum chemistry
基于计算量子力学的分子和材料设计活动消耗越来越多的高性能计算资源,使得改进的作业调度效率是期望的,以便减少碳足迹或浪费性支出。我们介绍了量子机器学习(QML)模型的计算成本的常见量子化学任务。对于2D非线性玩具系统、单点、几何优化和过渡态计算,壁时间的QML模型的样本外预测误差随着训练集大小系统地衰减。我们提出了一个玩具系统,包含两个功能和三个常用的优化和数以千计的有机分子系统,包括封闭和开放的壳层平衡结构,以及过渡态的数值证据。考虑的电子结构理论水平包括B3 LYP/def 2-TZVP、MP2/6- 311 G(d)、局域CCSD(T)/VTZ-F12、CASSCF/VDZ-F12和MRCISD+Q-F12/VDZ-F12。与传统的无差别作业处理相比,基于QML的壁时间预测在仅对数千个分子进行训练后显著提高了所有任务的作业调度效率。由此产生的CPU时间开销减少了10%到90%。
2019-12-19 physics.chem-ph physics.comp-ph
Quantum machine learning using atom-in-molecule-based fragments selected on-the-fly
基于第一性原理的化学空间探索加深了我们对化学的理解,并可能有助于新材料或实验的设计。由于量子化学方法的计算成本和理论上可能的稳定化合物的数量,全面的计算机筛选仍然令人望而却步。为了克服这一挑战,我们将基于分子中原子的片段(称为“amons”(A))与可转移量子机器学习(ML)模型中的主动学习相结合。所得到的AML模型的效率,准确性,可扩展性和可转移性证明了重要的分子量子特性,如能量,力,原子电荷NMR位移,极化率,以及从2D材料和水簇上的有机分子到沃森-克里克DNA碱基对甚至泛素的系统。从概念上讲,AML方法扩展了门捷列夫的表,以有效地解释化学环境,这使得许多化学物质可以从当地的构建模块系统地重建。
2020-08-17 physics.chem-ph
Spiers Memorial Lecture: How to do impactful research in artificial intelligence for chemistry and materials science
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(向量人工智能研究所);University of Amsterdam(阿姆斯特丹大学);Nanyang Technological University(南洋理工大学);Acceleration Consortium(加速联盟);University of Wuppertal(伍珀塔尔大学)
本Spiers纪念讲座聚焦化学与材料科学领域的AI研究,梳理机器学习在化学中的应用现状,探讨研究者的问题视角与方法,提出最大化该领域研究影响力的思路。
2024-10-08 cond-mat.mtrl-sci cs.AI cs.LG
Foundation Models for Atomistic Simulation of Chemistry and Materials
本文探讨了基于数据与参数缩放定律及预训练策略构建化学与材料原子模拟基础模型的可行性,并展望了大规模机器学习原子间势(MLIP)基础模型的发展路径。
2025-06-24 physics.chem-ph
The long road to calibrated prediction uncertainty in computational chemistry
计算化学中的不确定性量化(UQ)尚处于起步阶段。很少有CC方法被设计为提供其预测的置信水平,并且大多数用户仍然不正确地依赖于平均绝对误差作为准确度度量。可靠的不确定性量化方法的发展是必不可少的,特别是在工业过程中自信地使用计算化学。对CC-UQ文献的回顾表明,没有通用的标准程序来报告或验证预测不确定性。我在这里考虑使用气象学和机器学习中开发的概念(校准和锐度)来验证概率预报员的分析工具。这些工具适用于CC-UQ,并应用于复合方法,贝叶斯集成方法,机器学习和后验统计方法提供的预测不确定性数据集。
2022-03-18 physics.chem-ph physics.data-an
A Machine Learning Model for the Chemistry of a Solvated Electron
Princeton University(普林斯顿大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出一种电子感知的机器学习力场,用于模拟溶剂化电子在水中的行为及其与水合氢离子的反应,通过量子力学和机器学习结合的方法,确定了反应速率和自由能,与实验结果一致。
2026-11-05 physics.chem-ph physics.comp-ph
From 2015 to 2023: How Machine Learning Aids Natural Product Analysis
Boston University(波士顿大学);Northeastern University(东北大学);Zhejiang University(浙江大学);Guangdong Ocean University(广东海洋大学);Chinese Academy of Medical Sciences and Peking Union Medical College(中国医学科学院北京协和医学院);Peking University(北京大学);The Chinese University of Hong Kong(香港中文大学);Suzhou Industrial Park Monash Research Institute of Science and Technology(苏州工业园区莫纳什科学技术研究院)
本文综述了2015至2023年间机器学习在天然产物分析中的应用,梳理计算策略并构建定性与定量研究框架,提出机器学习与化学融合的新视角以推动领域变革。
2024-07-18 cs.LG physics.chem-ph
Solvating machine-learning interatomic potentials for solution-phase chemistry
Harvard University(哈佛大学)
本文提出可迁移隐式溶剂化势AnySolv,为现有气相机器学习原子间势提供溶剂相关能量与力修正,精度接近DFT-SMD且成本大幅降低,可用于溶液相化学的可扩展模拟。
2026-10-14 cs.LG physics.chem-ph
DeePKS-kit: a package for developing machine learning-based chemically accurate energy and density functional models
我们介绍DeePKS-kit,这是一个用于开发基于机器学习的能量和密度函数模型的开源软件包。DeePKS-kit与PyTorch(一个开源机器学习库)和PySCF(一个从头计算化学程序,为开发量子化学代码提供简单和定制的工具)接口。它支持DeePHF和DeePKS方法。除了解释方法和软件的细节外,我们还提供了一个开发水分子团簇化学精确模型的例子。
2021-06-21 physics.chem-ph physics.comp-ph
Symmetric and antisymmetric kernels for machine learning problems in quantum physics and chemistry
我们通过对称化和反对称化传统核函数得到了对称和反对称核函数,并分析了它们的性质。特别是,我们计算得到的多项式内核的特征空间维度,证明了对称和反对称高斯内核诱导的再生核希尔伯特空间在对称和反对称函数的空间中是稠密的,并提出了反对称高斯内核的斯莱特行列式表示,即使状态空间是高维的,也可以进行有效的评估。此外,我们表明,通过利用对称或反对称的训练数据集的大小可以显着减少。结果说明了指导性的例子和简单的量子物理和化学应用。
2021-06-26 math-ph math.MP physics.chem-ph
Quantum Machine Learning for Chemistry and Physics
机器学习(ML)已经成为识别给定数据集中隐藏但相关模式的强大力量,其目标是随后生成自动预测行为。近年来,可以肯定的是,ML及其近亲深度学习(DL)在物理科学的所有领域,特别是化学领域,都迎来了前所未有的发展。不仅ML的经典变体,即使是那些可以在近期量子硬件上训练的变体也已经开发出了有希望的结果。这些算法已经彻底改变了光致发光材料的设计和性能,相关物质的基态和激发态的电子结构计算,力场和势能面的计算,告知化学反应动力学,反应性激发了药物设计的合理策略,甚至通过准确识别紧急临界性对物质相进行分类。在这篇综述中,我们将阐述这些主题的一个子集,并描述经典和量子计算增强机器学习算法在过去几年中所做的贡献。我们不仅将简要概述这些众所周知的技术,而且还将使用统计物理洞察力来强调它们的学习策略。该综述的目的不仅是促进对上述技术的阐述,而且还旨在增强和促进所有化学领域未来研究的交叉授粉,这些研究可以从ML中受益,从而可能加速此类算法的发展。
2022-07-19 cond-mat.mtrl-sci physics.chem-ph quant-ph
Position: The Inevitable Transition to Machine Learning in Quantum Chemistry
Institute of Chemistry, Academia Sinica, Taipei, Taiwan(中国科学院化学研究所)
量子多体问题精确解计算难,传统方法发展遇瓶颈,机器学习被认为是量子化学最有前途的方向,它不受问题本质限制,近期传统方法可视为“手工制作机器学习”,虽有挑战但有路径,应获战略优先。
2026-08-12 cs.LG physics.chem-ph quant-ph
Compressing physical properties of atomic species for improving predictive chemistry
许多尚未解决的问题的答案在于分子和材料的棘手的化学空间。机器学习技术作为一种有效压缩和探索化学空间的方法正在迅速普及。机器学习技术最重要的方面之一是通过特征向量进行表示,该特征向量应包含进行准确预测所需的最重要的描述符,尤其是分子或材料中的原子种类。在这项工作中,我们介绍了一个压缩表示的原子物种的物理性质,我们称之为元素模式。元素模式通过捕捉元素周期表的许多细微差别和原子种类的相似性提供了极好的表示。我们将基本模式应用于机器学习算法的几个不同任务,并表明它们使我们能够改进这些任务,甚至不仅仅是实现更高的准确性预测。
2018-10-31 physics.chem-ph stat.ML
Computational Insights into PEMFC Durability: Degradation Mechanisms, Interfacial Chemistry, and the Emerging Role of Machine Learning Potentials
Organization for Research and Development of Innovative Science and Technology, Kansai University(关西大学创新科学技术研发组织);Department of Chemistry and Materials Engineering, Faculty of Chemistry, Materials and Bioengineering, Kansai University(关西大学化学·材料·生物工程学院化学与材料工程系)
本文通过计算模型探讨PEMFC退化机制,分析化学、机械、电化学及污染驱动的退化过程,并提出多尺度建模和机器学习势的应用方向。
2026-03-27 cond-mat.mtrl-sci physics.chem-ph
MLatom 3: Platform for machine learning-enhanced computational chemistry simulations and workflows
Xiamen University(厦门大学);Aix Marseille University(艾克斯-马赛大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院);Carnegie Mellon University(卡内基梅隆大学);Xiamen Double Ten Middle School(厦门双十中学);Peking University(北京大学);Neotrident (Suzhou) Co., Ltd.(新智认知(苏州)有限公司);Anhui University(安徽大学);Alstom Transport S.A.(阿尔斯通运输公司);Shanghai Mayoo Technology Inc(上海迈优科技有限公司)
本研究推出开源程序包MLatom 3,支持多方式使用与云平台运行,集成多种预训练ML模型和量子力学方法,可增强计算化学模拟并支持自定义工作流开发。
2023-10-31 cs.AI physics.chem-ph
Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
School of Physics, Chemistry and Earth Sciences, Adelaide University(阿德莱德大学物理、化学与地球科学学院)
本文通过高温度分子动力学轨迹基准测试了五种通用机器学习互原子势,揭示了ORB-v3和fairchem OMAT在不同温度下的最佳性能,但所有模型在高温条件下均存在显著误差。
2026-04-28 cond-mat.mtrl-sci physics.chem-ph
Constructing and explaining machine learning models for chemistry: example of the exploration and design of boron-based Lewis acids
École Normale Supérieure(巴黎高等师范学院);PSL University(巴黎文理研究大学);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心)
本研究针对化学领域机器学习模型可解释性不足的问题,构建基于化学描述符的可解释ML模型用于硼基路易斯酸设计,小数据下预测精度优于黑箱模型,还揭示了酸性来源与调控方法,助力分子设计与化学认知。
2025-03-23 cs.AI physics.chem-ph
Transformers and Large Language Models for Chemistry and Drug Discovery
EPFL(洛桑联邦理工学院)
本文探讨Transformer和大型语言模型在化学与药物发现中的应用,通过类比化学与自然语言,解决逆合成规划和化学空间探索等瓶颈,并展望机器学习加速科学发现的未来。
2023-10-09 cs.LG physics.chem-ph
Physical machine learning outperforms "human learning" in Quantum Chemistry
两种类型的方法来模拟分子系统已被证明具有很高的实用效率。密度泛函理论(DFT)是一种预测分子能量和电子密度的物理方法,是应用最广泛的量子化学方法。最近,许多关于分子性质的机器学习(ML)的论文也已发表。ML模型在计算成本方面大大优于DFT,甚至可能达到相当的精度,但它们缺少物理性-与量子物理学的直接联系-这限制了它们的适用性。在这里,我们提出了一种方法,结合了DFT和ML的强侧,即物理性和低计算成本。通过推广著名的Hohenberg-Kohn定理,我们导出了精确电子密度和能量的一般方程,这些方程可以自然地指导ML在量子化学中的应用。基于这些方程,我们构建了一个深度神经网络,它可以计算各种有机分子的电子密度和能量,不仅速度更快,而且比当前版本的DFT更接近精确的物理值。特别是,我们达到了一个平均绝对误差的能量与多达8个非氢原子低至0.9千卡/摩尔相对于CCSD(T)值,明显低于DFT(低至~3千卡/摩尔的同一组分子)和ML(低至~1.5千卡/摩尔)的方法。电子密度和能量的预测精度的同时提高表明,所提出的方法描述的物理分子比DFT泛函开发的“人类学习”更早。因此,基于物理学的机器学习提供了令人兴奋的机会,可以以高理论水平的量子化学准确性对比目前可能的更大的分子系统进行建模。
2020-02-28 physics.chem-ph physics.comp-ph
Graph neural networks for materials science and chemistry
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Université de Strasbourg(斯特拉斯堡大学);Eindhoven University of Technology(埃因霍温理工大学)
机器学习在化学和材料科学的许多领域中发挥着越来越重要的作用,例如预测材料特性,加速模拟,设计新材料,以及预测新材料的合成路线。图神经网络(GNN)是机器学习模型中增长最快的一类。它们与化学和材料科学特别相关,因为它们直接处理分子和材料的图形或结构表示,因此可以完全访问表征材料所需的所有相关信息。在这篇综述文章中,我们概述了GNN的基本原理,广泛使用的数据集和最先进的架构,然后讨论了GNN在化学和材料科学中的广泛应用,最后给出了GNN进一步开发和应用的路线图。
2022-08-05 cond-mat.mtrl-sci cs.LG physics.chem-ph
Physics Informed Machine Learning for Chemistry Tabulation
University at Buffalo(布法罗大学)
湍流燃烧系统的建模需要对底层化学和湍流流动进行建模。同时求解这两个系统在计算上是不允许的。相反,考虑到两个子系统演化的尺度差异,这两个子系统通常单独(重新)求解。流行的方法,如小火焰生成的流形(FGM)使用两步策略,其中控制反应动力学被预先计算并映射到低维流形,其特征在于一些反应进程变量(模型简化),然后在运行时“查找”流形,以通过流动系统估计高维系统状态。虽然现有的工作集中在这两个步骤独立,在这项工作中,我们表明,联合学习的进度变量和查找模型,可以产生更准确的结果。我们建立在基础配方和实施ChemTab,包括动态生成的热化学状态变量(低维动态源项)。我们讨论了实现这种深度神经网络架构的挑战,并通过实验证明了它的优越性能。
2022-11-06 cs.CE cs.LG physics.chem-ph
Low-cost prediction of molecular and transition state partition functions via machine learning
University of Washington(华盛顿大学)
我们已经生成了一个开源的数据集超过30000有机化学气相配分函数。利用该数据,训练机器学习深度神经网络估计器以预测未知有机化学气体相变状态的配分函数。该估计器仅依赖于反应物和产物的几何形状和配分函数。训练第二机器学习深度神经网络以从化学物质的几何形状预测化学物质的配分函数。我们的模型准确地预测测试集配分函数的对数,最大平均绝对误差为2.7%。因此,这种方法提供了一种降低从头计算反应速率常数的成本的方法。该模型还用于计算过渡态理论反应速率常数的前因子,其结果与相应的从头计算结果定量一致,在对数尺度上的准确度为98.3%。
2022-03-05 cs.LG physics.chem-ph
Ab-initio quantum chemistry with neural-network wavefunctions
FU Berlin(柏林自由大学);DeepMind(深度思维);University of Zurich(苏黎世大学);IBM Quantum(IBM量子);IBM Research Zurich(IBM苏黎世研究院);Thomas J. Watson Research Center(托马斯·J·沃森研究中心);Imperial College London(帝国理工学院);EPFL(洛桑联邦理工学院);Rice University(莱斯大学);Microsoft Research Cambridge(微软剑桥研究院)
本文回顾了利用神经网络拟设函数的量子蒙特卡罗方法从头原理求解电子薛定谔方程,该方法能以适中的计算成本获得高精度解,为量子化学提供了互补的新途径。
2022-08-26 cs.LG physics.chem-ph physics.comp-ph
Molecular dynamics study of molecular mobility in catenanes
本文所描述的分子机器是指利用构象移动性(即围绕化学键的受阻旋转和伴随非价键形成和断裂的分子结构变形)的分子系统。分子机器的组成部分主要通过受限制的扩散运动。作为非生物性质的分子机器的一个例子,可以提出索烃(具有两个互锁分子环的化合物)。因此,例如,当施加电场时,模型索烃((2)-(环-双(百草枯-对亚苯基))-(1(2,6)-四硫富瓦烯-16(1,5)萘-3,6,9,12,15,17,20,23,26,29-十氧杂环辛烷)-索烃)改变其氧化还原状态,并且发生环的旋转。它发生在影响的某些时刻。为了找出在各种外部条件下环运动的特征性质,进行了分子动力学模拟。首次对索烃的三种阳离子形式进行了几何优化和量子化学计算。
2005-03-11 physics.chem-ph physics.comp-ph
DQC: a Python program package for Differentiable Quantum Chemistry
University of Oxford(牛津大学);Molecular Sciences Software Institute(分子科学软件研究所);STFC Rutherford Appleton Laboratory(STFC卢瑟福·阿普尔顿实验室)
自动微分代表了科学编程中的范式转变,大多数应用程序都需要评估函数及其导数。通过消除显式导出梯度表达式的需要,可以缩短开发时间,并简化计算。由于这些原因,自动微分在过去十年中推动了各种复杂机器学习技术的快速发展,但现在也越来越多地显示出其支持量子系统的{ \it ab initio}模拟和增强计算量子化学的价值。在这里,我们提出了一个开源的可微量子化学模拟代码,DQC,并探索自动微分促进的应用:(1)计算分子微扰特性;(2)重新优化碳氢化合物的基组;(3)检查自洽场波函数的稳定性;(4)通过炼金术微扰预测分子特性。
2021-10-22 cs.LG physics.chem-ph
Open Source Variational Quantum Eigensolver Extension of the Quantum Learning Machine (QLM) for Quantum Chemistry
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Université Paris Cité(巴黎西岱大学);Atos Quantum Laboratory(华特量子实验室)
本文介绍开源Open-VQE软件包,扩展QLM至量子化学,提供UCC自适应方法和ADAPT-VQE实现,支持4至24量子比特分子的基准测试,促进VQE算法开发。
2022-11-28 physics.chem-ph quant-ph
Distilling first-principles accuracy into compact machine learning potentials for condensed-phase chemistry
Flatiron Institute(平顿研究所);Max Planck Institute for Polymer Research(马克斯·普朗克聚合物研究所);University College London(伦敦大学学院)
通过迁移学习和知识蒸馏,将大型教师模型的精度压缩到紧凑学生模型中,使高精度采样在凝聚相化学中实用,并在冰、液态水和TiO2/水界面三个问题上验证了其可靠性。
2026-06-05 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph