kristof.schuett@tu-berlin.de公司
alexandre.tkatchenko@uni.lu
klaus-robert.mueller@tu-berlin.de
K.T.Schütt公司,H.E.索雪松,P.-J.金德曼,A.特卡琴科,K.-R.米勒;SchNet–分子和材料的深度学习架构。化学杂志。物理学。2018年6月28日;148 (24): 241722.https://doi.org/10.1063/1.5019779
下载引文文件:
深度学习导致了人工智能领域的范式转变,包括网络、文本和图像搜索、语音识别以及生物信息学,在化学物理领域的影响越来越大。一般来说,机器学习,特别是深度学习,非常适合于表示量子-机械相互作用,使我们能够建模非线性势能表面或加强对化合物空间的探索。在这里,我们介绍了深度学习架构SchNet,它是专门设计用于通过使用连续滤波器卷积层来建模原子系统的。我们通过准确预测化学空间的一系列属性来证明SchNet的能力分子和材料其中,我们的模型学习了周期表中原子类型的化学合理嵌入。最后,我们利用SchNet预测了用于小分子分子动力学模拟的势能面和能量守恒力场,并对C的量子力学性质进行了示例性研究20-富勒烯不适用于常规从头算分子动力学。
登录或创建帐户