基于机器学习的分子与过渡态配分函数低成本预测
化学物理
2022-03-08 v1 机器学习
摘要
我们生成了一个包含超过 30000 个有机化学气相配分函数的开源数据集。利用该数据，训练了一个机器学习深度神经网络估计器，用于预测未知有机化学气相过渡态的配分函数。该估计器仅依赖于反应物和产物的几何结构及配分函数。另一个机器学习深度神经网络被训练用于从几何结构预测化学物种的配分函数。我们的模型准确预测了测试集配分函数的对数，最大平均绝对误差为 2.7%。因此，该方法为降低从头计算反应速率常数的成本提供了一种途径。这些模型还被用于计算过渡态理论反应速率常数前置因子，结果与相应的从头计算在定量上一致，在对数尺度上准确率达 98.3%。
引用
@article{arxiv.2203.02621,
title = {Low-cost prediction of molecular and transition state partition functions via machine learning},
author = {Evan Komp and Stéphanie Valleau},
journal= {arXiv preprint arXiv:2203.02621},
year = {2022}
}