用于机器学习分子与固体能量相关性质的混合局域图核
化学物理
2020-11-17 v1
摘要
如今，电子结构与机器学习技术的结合是预测广泛体系化学和物理性质的强大工具。为提高预测精度，已开发了大量用于机器学习应用的分子与固体表示。本工作中我们提出一种基于分子图概念的新描述符。虽然图在化学信息学或生物信息学的分类问题中大量使用，但它们很少用于回归问题，尤其是能量相关性质。我们的方法基于原子环境的局部分解和两种核函数的混合：描述化学图样的图核贡献，以及编码局域几何更精细细节的库仑标签贡献。通过考虑流行的QM7和BA10数据集，证明了这一新核方法在分子和凝聚相系统能量预测中的准确性。这些例子表明，混合局域图核优于传统方法，例如原子位置平滑重叠（SOAP）和库仑矩阵。
引用
@article{arxiv.2011.07302,
title = {Hybrid localized graph kernel for machine learning energy-related properties of molecules and solids},
author = {Bastien Casier and Mauricio Chagas da Silva and Michael Badawi and Fabien Pascale and Tomáš Bučko and Sébastien Lebègue and Dario Rocca},
journal= {arXiv preprint arXiv:2011.07302},
year = {2020}
}