ANI-1：一种具有 DFT 精度且计算代价相当于力场的可扩展神经网络势
化学物理
2017-02-10 v4
摘要
深度学习正在革新科学和技术的许多领域，尤其是图像、文本和语音识别。在本文中，我们展示了在量子力学(QM) DFT计算上训练的深度神经网络(NN)如何学习到一种准确且完全可迁移的有机分子势。我们引入了ANAKIN-ME（用于分子能量的精确神经网络引擎，Accurate NeurAl networK engINe for Molecular Energies），简称ANI。ANI是一种训练神经网络势的新方法和流程，它利用高度修改版的Behler和Parrinello对称函数构建单原子原子环境向量作为分子表示。我们利用ANI构建了一个名为ANI-1的势，该势在包含最多8个重原子的GDB数据库子集上训练，以预测含有四种原子类型H、C、N和O的有机分子的总能量。为了获得加速但物理相关的分子势面采样，我们还提出了一种正态模式采样(NMS)方法来生成分子构型。通过一系列案例研究，我们表明ANI-1与参考DFT计算相比在比训练数据集大得多的分子系统（最多54个原子）上具有化学精度，均方根误差低至0.56 kcal/mol。
引用
@article{arxiv.1610.08935,
title = {ANI-1: An extensible neural network potential with DFT accuracy at force field computational cost},
author = {Justin S. Smith and Olexandr Isayev and Adrian E. Roitberg},
journal= {arXiv preprint arXiv:1610.08935},
year = {2017}
}