基于 Uni-Mol+ 的高精度量子化学性质预测
化学物理
2023-07-10 v2 机器学习
摘要
深度学习的近期进展在加速量子化学(QC)性质预测方面取得了显著进步，免除了对密度泛函理论等昂贵电子结构计算的需求。然而，先前从 1D SMILES 序列或 2D 分子图学习的方法未能实现高准确度，因为 QC 性质主要依赖于电子结构方法优化的 3D 平衡构象，与序列型和图型数据差异甚远。本文中，我们提出一种称为 Uni-Mol+ 的新方法来应对该挑战。Uni-Mol+ 首先从 RDKit 等廉价方法生成原始 3D 分子构象。然后，利用神经网络将原始构象迭代更新至其目标 DFT 平衡构象，所学得的构象将用于预测 QC 性质。为有效学习这一朝向平衡构象的更新过程，我们引入了双轨 Transformer 模型主干，并以 QC 性质预测任务对其进行训练。我们还设计了一种新方法来引导模型的训练过程。我们广泛的基准测试结果表明，所提出的 Uni-Mol+ 显著提升了多种数据集中 QC 性质预测的准确性。我们已在 \url{https://github.com/dptech-corp/Uni-Mol} 公开了代码与模型。
引用
@article{arxiv.2303.16982,
title = {Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+},
author = {Shuqi Lu and Zhifeng Gao and Di He and Linfeng Zhang and Guolin Ke},
journal= {arXiv preprint arXiv:2303.16982},
year = {2023}
}