基于核岭回归的分子轨道能量预测中的化学多样性
化学物理
2019-06-26 v2 材料科学
摘要
材料设计亟需分子性质的即时机器学习预测，但该方法的预测能力主要在知名基准数据集上受检验。此处，我们研究核岭回归（KRR）机器学习在三个大型数据集上预测分子轨道能量的表现：标准QM9小有机分子集、氨基酸与二肽构象子，以及从剑桥结构数据库提取的有机成晶分子。我们聚焦于在密度泛函理论水平上计算的最高占据分子轨道（HOMO）能量预测。比较了两种编码分子结构的表示：库仑矩阵（CM）与多体张量表示（MBTR）。我们发现KRR表现显著依赖于底层数据集的化学性质，且MBTR优于CM，预测HOMO能量的平均绝对误差低至0.09 eV。为展示我们机器学习方法的威力，我们将模型应用于1万个先前未见分子的结构。我们获得即时能量预测，从而能够识别未来应用中有趣的分子。
引用
@article{arxiv.1812.08576,
title = {Chemical diversity in molecular orbital energy predictions with kernel ridge regression},
author = {Annika Stuke and Milica Todorović and Matthias Rupp and Christian Kunkel and Kunal Ghosh and Lauri Himanen and Patrick Rinke},
journal= {arXiv preprint arXiv:1812.08576},
year = {2019}
}
备注
16 pages, 13 figures