物理学。修订稿。108，058301（2012）-使用机器学习快速准确地建模分子原子化能量

基于机器学习的分子原子化能快速准确建模

马蒂亚斯·鲁普（Matthias Rupp）、亚历山大·特卡琴科（Alexandre Tkatchenko）、克劳斯·罗贝尔·米勒（Klaus-Robert Müller）和奥·阿纳托尔·冯·利利恩费尔德（O.Anatole von Lilienfeld）

物理学。修订稿。108，058301–2012年1月31日出版

摘要

我们引入了一个机器学习模型，仅基于核电荷和原子位置来预测一组不同有机分子的原子化能。将分子薛定谔方程的求解问题映射到一个复杂性降低的非线性统计回归问题上。对回归模型进行训练，并与混合密度泛函理论计算的雾化能量进行比较。超过7000个有机分子的交叉验证产生的平均绝对误差为 $\sim 10 千卡 / 摩尔$ 证明了分子雾化势能曲线预测的适用性。

收到日期：2011年6月15日

内政部：https://doi.org/10.103/PhysRevLett.108.058301

©2012美国物理学会

作者和附属机构

马蒂亚斯·拉普^1,2,亚历山大·特卡琴科^3,2,克劳斯·罗贝特·米勒^1,2、和O.阿纳托勒·冯·利利恩费尔德^4,2,*

¹柏林技术大学机器学习小组，Franklinstr 28/29，10587 Berlin，Germany
²美国加利福尼亚州洛杉矶市加利福尼亚大学纯粹与应用数学研究所，邮编：90095
^三Fritz-Haber-Institute der Max-Planck-Gesellschaft，14195柏林，德国
⁴美国伊利诺伊州阿贡市阿贡国家实验室阿贡领导力计算设施，邮编：60439

^*anatole@alcf.anl.gov公司

评论和回复

评“用机器学习快速准确地建模分子原子化能”

乔纳森·穆萨

物理学。修订稿。109, 059801 (2012)

卢比等。答复：

马蒂亚斯·鲁普（Matthias Rupp）、亚历山大·特卡琴科（Alexandre Tkatchenko）、克劳斯·罗贝尔·米勒（Klaus-Robert Müller）和奥·阿纳托尔·冯·利利恩费尔德（O.Anatole von Lilienfeld）

物理学。修订稿。109, 059802 (2012)

文章正文（需要订阅）

单击以展开

补充材料（需要订阅）

单击以展开

参考（需要订阅）

单击以展开

问题

第108卷，第。2012年2月5日至3日

重用权限（&M）

Access选项

文章可通过合唱

下载接受的手稿

翻译和文案辅助广告的作者出版服务

注册以接收来自的定期电子邮件警报物理审查信函