基于双原子分子神经网络 (DIM-NN) 的键能预测
化学物理
2017-05-05 v5
摘要
神经网络正被用于构建新型经验化学模型，其成本与力场相当，但精度接近用于构建它们的从头算方法。除了模拟势能面，神经网络还能提供定性洞见，并使定性化学趋势可定量预测。在这项工作中，我们提出了一种将分子能量预测为键能之和的神经网络。该网络学习流行的 GDB9 数据集的总能量，达到了具有竞争力的 0.94 kcal/mol 平均绝对误差。该方法具有天然线性标度特性，适用于纳米尺度的分子。更重要的是，尽管仅基于总能量信息进行训练，它仍能提供关于键的相对强度如何随其分子环境变化的化学洞见。我们证明，该网络对相对键强度的预测与实测趋势及人类预测高度一致。我们证明 DIM-NN 学到了专家合成化学家所发展的相同的相对键强度启发式趋势，以及如 NBO 分析等从头算键级度量。
引用
@article{arxiv.1703.08640,
title = {Bond Energies from a Diatomics-in-Molecules Neural Network},
author = {Kun Yao and John Herr and Seth Brown and John Parkhill},
journal= {arXiv preprint arXiv:1703.08640},
year = {2017}
}