分子图卷积与贫基组下分子波函数的等价性
机器学习
2020-11-17 v1 材料科学
化学物理
摘要
在本研究中，我们证明了由Pauling和Lennard-Jones于1920年代引入的量子物理近似——原子轨道线性组合(LCAO)，对应于分子的图卷积网络(GCNs)。然而，GCNs涉及不必要的非线性和深层架构。我们还验证了与理论计算或量子化学模拟中使用的标准基组相比，分子GCNs基于一个贫基组。基于这些观察，我们描述了量子深度场(QDF)，一种基于底层量子物理（特别是密度泛函理论(DFT)）的机器学习(ML)模型。我们相信QDF模型易于理解，因为它可被视为单层GCN。此外，它使用两个普通前馈神经网络来学习能量泛函和Hohenberg–Kohn映射，这两者具有量子物理和DFT固有的非线性。对于分子能量预测任务，我们展示了一种“外推”的可行性，即我们用小分子训练QDF模型，用大分子测试它，并实现了高的外推性能。这将为发现有效材料带来可靠且实用的应用。实现代码见 https://github.com/masashitsubaki/QuantumDeepField_molecule。
引用
@article{arxiv.2011.07929,
title = {On the equivalence of molecular graph convolution and molecular wave function with poor basis set},
author = {Masashi Tsubaki and Teruyasu Mizoguchi},
journal= {arXiv preprint arXiv:2011.07929},
year = {2020}
}