Prediction Errors of Molecular Machine Learning Models Lower than Hybrid DFT Error

doi:10.1021/acs.jctc.7b00577

.2017年11月14日；13(11):5255-5264.

doi:10.1021/acs.jctc.7b00577。 Epub 2017年10月10日。

分子机器学习模型的预测误差小于混合DFT误差

附属公司

¹巴塞尔大学化学系物理化学研究所和国家计算设计与新材料发现中心，地址：瑞士巴塞尔CH-4056，Klingelbergstrasse 80。
²谷歌，1600 Amphitheatre Parkway，Mountain View，California 94043，United States。
^三英国伦敦EC4A 3TW新街广场5号谷歌。

PMID： 28926232
内政部： 10.1021/acs.jctc.7b00577

分子机器学习模型的预测误差小于混合DFT误差

费利克斯·A·费伯等。化学理论计算杂志. 2017.

.2017年11月14日；13(11):5255-5264.

doi:10.1021/acs.jctc.7b00577。 Epub 2017年10月10日。

附属公司

¹巴塞尔大学化学系物理化学研究所和国家计算设计与新材料发现中心，地址：瑞士巴塞尔CH-4056，Klingelbergstrasse 80。
²谷歌，1600 Amphitheatre Parkway，Mountain View，California 94043，United States。
^三英国伦敦EC4A 3TW新街广场5号谷歌。

PMID： 28926232
内政部： 10.1021/acs.jctc.7b00577

摘要

我们研究了选择回归变量和分子表征对构建13种有机分子电子基态性质的快速机器学习（ML）模型的影响。使用学习曲线评估每个回归变量/表示/属性组合的性能，学习曲线报告样本外误差，作为训练集大小的函数，具有高达~118k的不同分子。混合密度泛函理论（DFT）理论层面的分子结构和性质来自QM9数据库[Ramakrishnan等人科学数据2014年1月14日22]，包括原子化焓和自由能、HOMO/LUMO能量和间隙、偶极矩、极化率、零点振动能、热容、，和最高基波振动频率。已经研究了各种分子表征（库仑矩阵、键袋、BAML和ECFP4、分子图（MG）），以及新开发的基于分布的变体，包括距离直方图（HD）、角度直方图和二面体（HDAD）。回归量包括线性模型（贝叶斯岭回归（BR）和带弹性网正则化的线性回归（EN））、随机森林（RF）、核岭回归（KRR）以及两种类型的神经网络，即图卷积（GC）和门限图网络（GG）。样本外误差在很大程度上取决于表征和回归因子的选择以及分子性质。电子特性通常最好由MG和GC解释，而能量特性最好由HDAD和KRR描述。在～118k训练集大小限制中，样本外误差最小的具体组合是（自由）能量和原子化焓（HDAD/KRR）、HOMO/LUMO特征值和间隙（MG/GC），偶极矩（MG/GC）、静态极化率（MG/GG）、零点振动能（HDAD/KRR）、室温热容（HDAD/GRR）和最高基波振动频率（BAML/RF）。我们提供了数值证据，证明ML模型预测偏离DFT（B3LYP。此外，混合DFT参考的样本外预测误差与化学精度相当或接近。结果表明，如果有明确的电子相关量子（或实验）数据，ML模型可能比混合DFT更准确。

PubMed免责声明

类似文章

通用量子机器学习的基于炼金术和结构分布的表示。
Faber FA、Christensen AS、Huang B、von Lilienfeld OA。 Faber FA等人。化学物理杂志。2018年6月28日；148(24):241717. doi:10.1063/1.5020710。化学物理杂志。2018 PMID：29960351
通信：理解机器学习中的分子表征：唯一性和目标相似性的作用。
黄B，von Lilienfeld OA。黄B等。化学物理杂志。2016年10月28日；145(16):161102. doi:10.1063/1.4964627。化学物理杂志。2016 PMID：27802646
不同神经网络预测多分子性质的比较研究。
侯凤、吴忠、胡忠、肖忠、王莉、张欣、李刚。 Hou F等人。《物理化学杂志》，2018年11月21日；122(46):9128-9134. doi:10.1021/acs.jpca.8b09376。Epub 2018年11月13日。《物理化学杂志》，2018年。 PMID：30285444
DFT计算：发光自组装材料的晶体结构、振动研究和光学研究。
Kessentini A、Ben Ahmed A、Dammak T、Belhouchet M。 Kessentii A等人。光谱化学学报分子生物光谱。2018年2月15日；191:241-248. doi:10.1016/j.saa.2017.10.035。Epub 2017年10月13日。光谱化学学报分子生物光谱。2018 PMID：29040930 审查。
量子力学与机器学习协同：图形注意力神经网络预测化学反应。
Tavakoli M、Mood A、Van Vranken D、Baldi P。 Tavakoli M等人。化学信息模型杂志。2022年5月9日；62(9):2121-2132. doi:10.1021/acs.jcim.1c01400。Epub 2022年1月12日。化学信息模型杂志。2022 PMID：35020394 审查。

查看所有类似文章

引用人

通过下一代机器学习推进材料科学。
Unni R、Zhou M、Wiecha PR、Zheng Y。 Unni R等人。当前操作固态材料科学。2024年6月；30:101157. doi:10.1016/j.cossms.2024.101157。Epub 2024年4月3日。当前操作固态材料科学。2024 PMID：39077430 免费PMC文章。
3DReact：化学反应的几何深度学习。
van Gerwen P、Briling KR、Bunne C、Somnath VR、Laplaza R、Krause A、Corminboeuf C。 van Gerwen P等人。化学信息模型杂志。2024年8月12日；64(15):5771-5785. doi:10.1021/acs.jcim.4c00104。Epub 2024年7月15日。化学信息模型杂志。2024 PMID：39007724 免费PMC文章。
QupKake:集成机器学习和量子化学用于Micro-pK（K）_一预言。
哈奇森集团Abarbanel OD。 Ababanel OD等人。化学理论计算杂志。2024年8月13日；20(15):6946-6956. doi:10.1021/acs.jctc.4c00328。Epub 2024年6月4日。化学理论计算杂志。2024 PMID：38832803 免费PMC文章。
在计算的活化屏障上对化学反应的机器可读载体进行基准测试。
van Gerwen P、Briling KR、Calvino Alonso Y、Franke M、Corminboeuf C。 van Gerwen P等人。数字发现。2024年3月7日；3(5):932-943. doi:10.1039/d3dd00175j。eCollection 2024年5月15日。数字发现。2024 PMID：38756222 免费PMC文章。
量子神经网络在材料信息学中的实际应用。
Hirai H。 Hirai H。科学代表2024年4月13日；14(1):8583. doi:10.1038/s41598-024-59276-0。科学报告2024。 PMID：38615092 免费PMC文章。

查看所有“被引用”文章

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

分子机器学习模型的预测误差小于混合DFT误差

附属公司

分子机器学习模型的预测误差小于混合DFT误差

作者

附属公司

摘要

类似文章

引用人

LinkOut-更多资源

其他文献来源

研究材料

其他