利用机器学习快速准确建模分子原子化能
化学物理
2015-05-30 v1 无序系统与神经网络
材料科学
机器学习
摘要
我们引入了一个机器学习模型，仅基于核电荷和原子位置来预测一组多样化有机分子的原子化能。求解分子薛定谔方程的问题被映射为一个降低了复杂度的非线性统计回归问题。回归模型在混合密度泛函理论计算的原子化能上进行训练并与之进行比较。对超过七千个小有机分子进行交叉验证，得到的平均绝对误差约为10 kcal/mol。该模型的适用性通过预测分子原子化势能曲线得到了证明。
引用
@article{arxiv.1109.2618,
title = {Fast and Accurate Modeling of Molecular Atomization Energies with Machine Learning},
author = {Matthias Rupp and Alexandre Tkatchenko and Klaus-Robert Müller and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:1109.2618},
year = {2015}
}