离散傅里叶变换改进量子机器学习中分子电子性质的预测
量子物理
2019-10-29 v1 材料科学
计算物理
摘要
量子力学计算的高通量近似与组合实验传统上被用于缩减可能分子、药物与材料的搜索空间。然而，结构与化学自由度的相互作用引入了巨大的复杂性，当前最先进的工具尚未被设计用于处理此类复杂性。利用第一性原理通过量子力学（QM）计算生成的大型分子数据库的可用性，为数据科学加速新化合物的发现开辟了新途径。近年来，将QM与机器学习（ML）相结合的模型（称为QM/ML模型）已成功以ML的速度提供QM的精度。其目标是开发一个框架，通过更好地搜索化学化合物空间，从材料中隐藏的定量过程-结构-性质-性能关系中提取知识并获得洞见，并推断具有目标性质的新材料。在本研究中，我们表明，通过在QM/ML流程中集成离散傅里叶变换等知名信号处理技术，在某些情况下结果可得到显著改进。我们还表明，分子的谱图可能代表一种有趣的分子可视化工具。
引用
@article{arxiv.1904.03160,
title = {Discrete Fourier Transform Improves the Prediction of the Electronic Properties of Molecules in Quantum Machine Learning},
author = {Alain Tchagang and Julio Valdés},
journal= {arXiv preprint arXiv:1904.03160},
year = {2019}
}
备注
4 pages, 3 figures, 2 tables. Accepted to present at 32nd IEEE Canadian Conference in Electrical Engineering and Computer Science