压缩原子物种的物理性质以改进预测化学

许多未解问题的答案在于分子与材料的难处理化学空间。机器学习技术正迅速流行，作为高效压缩与探索化学空间的手段。机器学习技术最重要的方面之一是通过特征向量进行表示，其应包含做出准确预测所需的最重要的描述符，其中尤以分子或材料中的原子物种为要。本工作中，我们引入一种称为元素模态的原子物种物理性质压缩表示。元素模态通过捕捉周期表诸多细微之处及原子物种的相似性，提供了优异的表示。我们将元素模态应用于机器学习的若干不同任务，并展示它们使我们即便在仅实现更高精度预测之外也能对这些任务做出改进。