基于机器学习与化学信息学的多宇宙假说下DFT/TDDFT计算耗时预测系统
计算物理
2020-12-18 v3 材料科学
摘要
本文提出一种顶层设计的预测密度泛函理论(DFT)/含时密度泛函理论(TDDFT)计算耗时的预测系统。计算耗时被假定为分子的内在属性。基于此假设，该预测系统采用“钢筋混凝土”方式构建，结合了化学信息学、若干机器学习(ML)模型以及多宇宙假说中多世界诠释(MWI)的框架。其中，化学信息学用于识别分子的拓扑结构，ML/AI模型用于建立拓扑与计算代价之间的关系，MWI框架用于容纳DFT/TDDFT计算中各种DFT泛函与基组的组合。来自DrugBank数据集的分子计算结果表明：1) 该系统可对计算代价给出定量预测，在使用完全预训练的ML模型时，DFT/TDDFT计算的典型平均相对误差可小于0.2，偏差在25%以内；2) 即使在没有完全预训练ML模型的情况下，它也可用于各种DFT泛函与基组组合的情形，仅略微增大预测误差。
引用
@article{arxiv.1911.05569,
title = {A Forecasting System of Computational Time of DFT/TDDFT Calculations under the Multiverse ansatz via Machine Learning and Cheminformatics},
author = {Shuo Ma and Yingjin Ma and Baohua Zhang and Yingqi Tian and Zhong Jin},
journal= {arXiv preprint arXiv:1911.05569},
year = {2020}
}