Quantum-chemical insights from deep tensor neural networks

doi:10.1038/ncomms13890

.2017年1月9:8:13890。

doi:10.1038/ncomms13890。

深张量神经网络的量子化学见解

克里斯托夫·T·舒特¹, 法哈德·阿巴巴扎达¹, 斯特凡·奇米埃拉¹, 克劳斯·R·米勒^1 2, 亚历山大·特卡琴科^三 4

附属公司

¹柏林理工大学机器学习小组，Marchstr。德国柏林，邮编：10587。
²韩国首尔Seongbuk-gu Anam-dong韩国大学脑与认知工程系，邮编：136-713。
^三德国柏林法拉代威4-6，D-14195，弗里茨-哈伯马克斯·普朗克-盖塞尔沙夫特研究所理论系。
⁴卢森堡大学物理与材料科学研究部，卢森堡，L-1511卢森堡。

PMID： 28067221
预防性维修识别码： PMC5228054
内政部： 10.1038/ncomms13890

深张量神经网络的量子化学见解

克里斯托夫·T·舒特等人。国家公社. 2017.

.2017年1月9:8:13890。

doi:10.1038/ncomms13890。

作者

克里斯托夫·T·舒特¹, 法哈德·阿巴巴扎达¹, 斯特凡·奇米埃拉¹, 克劳斯·吕勒^1 2, 亚历山大·特卡琴科^三 4

附属公司

¹柏林理工大学机器学习小组，3月。德国柏林，邮编：10587。
²韩国首尔Seongbuk-gu Anam-dong韩国大学脑与认知工程系，邮编：136-713。
^三德国柏林D-14195法拉第4-6号弗里茨-哈伯研究所理论系。
⁴卢森堡大学物理与材料科学研究部，卢森堡，L-1511卢森堡。

PMID： 28067221
预防性维修识别码： PMC5228054
内政部： 10.1038/ncomms13890

摘要

从数据中学习导致了许多学科的范式转变，包括网络、文本和图像搜索、语音识别以及生物信息学。机器学习能在理解量子多体系统方面取得类似的突破吗？在这里，我们开发了一种有效的深度学习方法，能够从空间和化学角度深入了解分子系统的量子力学观察结果。我们将多体哈密顿量的概念与专门设计的深度张量神经网络相统一，这导致了尺寸广泛且一致精确（1 kcal mol^-1)在组成和构型化学空间中对中等大小分子的预测。作为化学相关性的一个例子，该模型揭示了芳香环的稳定性分类。我们的模型在预测分子中的原子能和局部化学势、可靠的异构体能和具有特殊电子结构的分子方面的进一步应用表明了机器学习在揭示复杂量子化学系统方面的潜力。

PubMed免责声明

数字

**图1。用深度张量神经网络预测和解释分子能量。**
(一)分子通过核电荷向量和原子间距离矩阵作为神经网络的输入进行编码。这种描述是完整的，对旋转和平移不变性。(b条)网络架构的图示。每个原子类型对应一个系数向量，通过交互反复细化五_ij公司。交互取决于当前表示以及距离D类_ij公司到原子j个.之后T型迭代，能量贡献E类_我预测为最终系数向量.分子能量E类是这些原子贡献的总和。(c)GDB-9数据集中133885个分子的预测平均绝对误差与原子数的关系。所使用的神经网络使用两个交互过程(T型=2）和培训期间50000参考计算。插图显示了在含有20个或更多原子的5000个GDB-9分子上训练的等效网络的错误，因为含有15个或更少原子的小分子被添加到训练集中。(d日)从甲苯的计算（黑色）和预测（橙色）分子动力学轨迹中提取。右侧曲线显示了预测和计算的能量分布的一致性。(**e（电子）**)能源贡献E类_探查（或局部化学势，见正文）DTNN模型的GDB-9数据集中各种分子的等值面T型=2.

公式图像 — **图1。用深度张量神经网络预测和解释分子能量。**
(一)分子通过核电荷向量和原子间距离矩阵作为神经网络的输入进行编码。这种描述是完整的，对旋转和平移不变性。(b条)网络架构的图示。每个原子类型对应一个系数向量，通过交互反复细化五_ij公司。交互取决于当前表示以及距离D类_ij公司到原子j个.之后T型迭代，能量贡献E类_我预测为最终系数向量.分子能量E类是这些原子贡献的总和。(c)GDB-9数据集中133885个分子的预测平均绝对误差与原子数的关系。所使用的神经网络使用两个交互过程(T型=2）和培训期间50000参考计算。插图显示了在含有20个或更多原子的5000个GDB-9分子上训练的等效网络的错误，因为含有15个或更少原子的小分子被添加到训练集中。(d日)从甲苯的计算（黑色）和预测（橙色）分子动力学轨迹中提取。右侧曲线显示了预测和计算的能量分布的一致性。(**e（电子）**)能源贡献E类_探查（或局部化学势，见正文）DTNN模型的GDB-9数据集中各种分子的等值面T型=2.

**图2。化学势对于A类={C,N个,*O（运行）*,*H（H）*}原子。**
等值面是为生成的=3.8 Å⁻²（索引我用于对相应分子的所有原子求和）。所示的分子（按图中从上到下的顺序）为：苯、甲苯、水杨酸和丙二醛。原子着色：碳=黑，氢=白，氧=红。

**图3。分子碳环稳定性分类。**
根据DTNN模型预测的碳环能量，显示了20个分子（10个最稳定，10个最不稳定）。原子着色：碳=黑色；氢=白色；氧气=红色；氮=蓝色；氟=黄色。

**图4。化学式为C的异构体能量₇O（运行）₂H（H）₁₀.**
在GDB-9数据库上训练的DTNN能够准确区分6095种不同的C异构体₇O（运行）₂H（H）₁₀显示出非平凡的相对能量谱。

请参阅PMC中的此图像和版权信息

类似文章

使用从改进的深张量神经网络学习的力场优化几何和原子矢量表示预测分子能量。
陆J，王C，张勇。卢杰等。化学理论计算杂志。2019年7月9日；15(7):4113-4121. doi:10.1021/acs.jctc.9b000001。Epub 2019年6月12日。化学理论计算杂志。2019 PMID：31142110 免费PMC文章。
快速准确的分子性质预测：用神经网络学习原子相互作用和势。
Tsubaki M，Mizoguchi T。 Tsubaki M等人。物理化学学报。2018年10月4日；9(19):5733-5741. doi:10.1021/acs.jpclett.8b01837。Epub 2018年9月18日。物理化学学报。2018 PMID：30081630
SchNet-分子和材料的深度学习架构。
Schütt KT、Sauceda HE、Kindermans PJ、Tkatchenko A、Müller KR。 Schütt KT等人。化学物理杂志。2018年6月28日；148(24):241722. doi:10.1063/1.5019779。化学物理杂志。2018 PMID：29960322
深度学习：放射学家入门。
Chartrand G、Cheng PM、Vorontsov E、Drozdzal M、Turcotte S、Pal CJ、Kadoury S、Tang A。 Chartrand G等人。射线照相。2017年11月至12月；37(7):2113-2131. doi:10.1148/rg.2017170077。射线照相。2017 PMID：29131760 审查。
嗅觉的工程方面。
Persaud KC公司。 Persaud KC公司。作者：Persaud KC、Marco S、Gutiérrez-Gálvez A，编辑。神经形态嗅觉。博卡拉顿（佛罗里达州）：CRC Press/Taylor&Francis；2013年第1章。编辑：Persaud KC、Marco S、Gutiérrez-Gálvez A。神经形态嗅觉。博卡拉顿（佛罗里达州）：CRC Press/Taylor&Francis；2013年第1章。 PMID：26042329 免费书籍和文件。审查。

查看所有类似文章

引用人

数据驱动原子间电位的超主动学习。
van der Oord C、Sachs M、Kovács DP、Ortner C、csányi G。 van der Oord C等人。 NPJ计算材料。2023;9(1):168. doi:10.1038/s41524-023-01104-6。Epub 2023年9月13日。 NPJ计算材料。2023. PMID：38666057 免费PMC文章。
机器学习原子间潜力：缩小小规模模型和真实设备规模模拟之间的差距。
王G，王C，张X，李Z，周J，孙Z。 Wang G等。 iScience。2024年4月4日；27(5):109673. doi:10.1016/j.isci.2024.109673。eCollection 2024年5月17日。 iScience。2024 PMID：38646181 免费PMC文章。审查。
TorchMD-Net 2.0：分子模拟的快速神经网络潜力。
Pelaez RP、Simeon G、Galvelis R、Mirachi A、Eastman P、Doerr S、Thölke P、Markland TE、De Fabritiis G。 Pelaez RP等人。 ArXiv[预打印]。2024年5月23日：arXiv:2402.17660v3。 ArXiv公司。2024 更新位置：化学理论计算杂志。2024年5月28日；20(10):4076-4087. doi:10.1021/acs.jctc.4c00253。 PMID：38463504 免费PMC文章。已更新。预打印。
机器学习促进锂离子电池发展的材料描述符。
王Z，王L，张H，徐H，何X。 Wang Z等。 Nano Converg.2024年2月26日；11(1):8. doi:10.1186/s40580-024-00417-6。 Nano Converg.2024年。 PMID：38407644 免费PMC文章。审查。
用于势能深度潜力表示的OpenMM插件的实现和验证。
丁Y、黄J。丁毅等。国际分子科学杂志。2024年1月24日；25(3):1448. doi:10.3390/ijms25031448。国际分子科学杂志。2024 PMID：38338727 免费PMC文章。

查看所有“被引用”文章

工具书类

1. Kang B.&Ceder G.用于超快充电和放电的电池材料。《自然》458，190–193（2009年）。-公共医学
1. Nörskov J.K.、Bligaard T.、Rossmeisl J.和Christensen C.H.固体催化剂的计算设计。自然化学。1, 37–46 (2009).-公共医学
1. Hachmann J.等人。哈佛清洁能源项目：世界社区电网上有机光伏的大规模计算筛选和设计。J.Phys。化学。莱特。2, 2241–2251 (2011).
1. Pyzer-Knapp E.O.、Suh C.、Gomez-Bombarelli R.、Aguilera-Iparraguirre J.和Aspuru-Guzik A.什么是高通量虚拟筛选？有机材料发现视角。每年。修订版Mater。第45号决议，195-216（2015年）。
1. Curtarolo S.等人，计算材料设计的高通量公路。自然材料。12, 191–201 (2013).-公共医学

出版物类型

行动

LinkOut-更多资源

[1] Kang B.&Ceder G.用于超快充电和放电的电池材料。《自然》458，190–193（2009年）。-公共医学

[2] Kang B.&Ceder G.用于超快充电和放电的电池材料。《自然》458，190–193（2009年）。-公共医学

[3] Nörskov J.K.、Bligaard T.、Rossmeisl J.和Christensen C.H.固体催化剂的计算设计。自然化学。1, 37–46 (2009).-公共医学

[4] Nörskov J.K.、Bligaard T.、Rossmeisl J.和Christensen C.H.固体催化剂的计算设计。自然化学。1, 37–46 (2009).-公共医学

[5] Hachmann J.等人。哈佛清洁能源项目：世界社区电网上有机光伏的大规模计算筛选和设计。J.Phys。化学。莱特。2, 2241–2251 (2011).

[6] Hachmann J.等人。哈佛清洁能源项目：世界社区电网上有机光伏的大规模计算筛选和设计。J.Phys。化学。莱特。2, 2241–2251 (2011).

[7] Pyzer-Knapp E.O.、Suh C.、Gomez-Bombarelli R.、Aguilera-Iparraguirre J.和Aspuru-Guzik A.什么是高通量虚拟筛选？有机材料发现视角。每年。修订版Mater。第45号决议，195-216（2015年）。

[8] Pyzer-Knapp E.O.、Suh C.、Gomez-Bombarelli R.、Aguilera-Iparraguirre J.和Aspuru-Guzik A.什么是高通量虚拟筛选？有机材料发现视角。每年。修订版Mater。第45号决议，195-216（2015年）。

[9] Curtarolo S.等人，计算材料设计的高通量公路。自然材料。12, 191–201 (2013).-公共医学

[10] Curtarolo S.等人，计算材料设计的高通量公路。自然材料。12, 191–201 (2013).-公共医学

将引文保存到文件

电子邮件引文

添加到集合

添加到我的书目

您保存的搜索

为外部引文管理软件创建文件

您的RSS源

深张量神经网络的量子化学见解

附属公司

深张量神经网络的量子化学见解

作者

附属公司

摘要

数字

类似文章

引用人

工具书类

出版物类型

LinkOut-更多资源

全文源

其他文献来源

研究材料

摘要

数字

类似文章

引用人

工具书类

出版物类型

相关信息

LinkOut-更多资源

全文源

其他文献来源

研究材料