SchNet–分子和材料的深度学习架构

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。