使用局部图核学习分子能量
计算物理
2017-05-03 v2 机器学习
机器学习
摘要
最近的机器学习方法使得以化学级精度（如从头算计算所得）和适于分子动力学模拟的速度对原子构型的势能进行建模成为可能。当已知的物理约束被编码到机器学习模型中时，可实现最佳性能。例如，原子能量在全局平移和旋转下不变，对同种类原子的置换也不变。尽管表述简单，这些对称性编码到机器学习算法中却很复杂。在本文中，我们提出了一种基于图论的机器学习方法，其自然地纳入了平移、旋转和置换对称性。具体而言，我们使用随机游走图核来衡量两个邻接矩阵的相似性，每个矩阵表示一个局部原子环境。这种图近似能量（GRAPE）方法是灵活的并允许多种可能的扩展。我们通过在有机分子标准数据集上预测原子化能量来对GRAPE的一个简单版本进行基准测试。
引用
@article{arxiv.1612.00193,
title = {Learning molecular energies using localized graph kernels},
author = {G. Ferré and T. Haut and K. Barros},
journal= {arXiv preprint arXiv:1612.00193},
year = {2017}
}