考虑各向异性的分子有机固体化学屏蔽的深度学习模型
化学物理
2025-09-23 v3
摘要
核磁共振（NMR）化学位移是探测局部原子和电子结构的强有力工具，可用于解析粉末状或非晶态分子固体的结构。化学位移驱动的结构解析高度依赖于化学屏蔽的准确且快速的预测，而用于屏蔽预测的机器学习（ML）模型正日益作为高要求的从头算计算的可扩展高效替代方案被广泛使用。然而，当前ML模型的预测精度仍落后于其所近似的DFT参考方法，尤其是对C和N等原子核而言。在此，我们提出了ShiftML3.0，一种深度学习模型，在提高分子固体中各向同性化学屏蔽预测精度的同时，还能预测完整的屏蔽张量。在实验基准集上，我们发现ShiftML3.0相对于实验的均方根误差（RMSE）接近DFT参考计算的值：H为0.53 ppm，C为2.4 ppm，N为7.2 ppm，而对应的DFT值分别为0.49 ppm、2.3 ppm和5.8 ppm。
引用
@article{arxiv.2506.13146,
title = {A deep learning model for chemical shieldings in molecular organic solids including anisotropy},
author = {Matthias Kellner and Jacob B. Holmes and Ruben Rodriguez-Madrid and Florian Viscosi and Yuxuan Zhang and Lyndon Emsley and Michele Ceriotti},
journal= {arXiv preprint arXiv:2506.13146},
year = {2025}
}