利用低维描述符在化学化合物空间高效插值分子性质

我们展示了基于低维描述符在化学化合物空间中进行插值的准确数据匮乏分子性质模型。我们的出发点基于由库仑矩阵特征值分布性质导出的三维、通用、物理描述符。为考虑分子的形状与组成，我们将这些描述符与由 Gershgorin 圆盘定理给出的六维特征相结合。我们使用由此获得的九维描述符进行基于具有可变函数形式核的高斯过程回归，从而得到极高效、低维的插值模型。用 100 个分子训练的所得模型能够预测熵与温度之积（$S \times T$）和零点振动能（ZPVE），对测试数据中 $> 78$ % 的分子绝对误差低于 1 kcal mol$^{-1}$，对 $> 92$ % 的分子绝对误差低于 1.3 kcal mol$^{-1}$。测试数据包含 20,000 个分子，复杂度从 3 个原子到 29 个原子不等，$S \times T$ 与 ZPVE 的范围分别覆盖 36 kcal mol$^{-1}$ 与 161 kcal mol$^{-1}$。我们还说明，基于 Gershgorin 圆盘定理的描述符比那些显式考虑分子原子连接性的图神经网络所建立的分子熵模型更准确。