用于偏电荷预测的图网络
计算物理
2019-09-18 v1 机器学习
化学物理
摘要
原子偏电荷是分子动力学（MD）模拟、分子力学计算和虚拟筛选的关键参数，因为它们决定了相互作用能中的静电贡献。然而，当前计算偏电荷的方法要么速度慢且随分子尺寸扩展性差（量子化学方法），要么不可靠（经验方法）。在此，我们提出一种基于图网络（Graph Nets，一组在分子拓扑上操作并传播信息的更新与聚合函数）的新电荷推导方法，该方法能够以高精度逼近由密度泛函理论（DFT）计算导出的电荷，并实现超过 500 倍的加速。
引用
@article{arxiv.1909.07903,
title = {Graph Nets for Partial Charge Prediction},
author = {Yuanqing Wang and Josh Fass and Chaya D. Stern and Kun Luo and John Chodera},
journal= {arXiv preprint arXiv:1909.07903},
year = {2019}
}