OrbNet：使用对称适应原子轨道特征进行量子化学的深度学习
化学物理
2022-01-20 v3 机器学习
摘要
我们引入一种机器学习方法，其中利用对称适应原子轨道特征和图神经网络架构来预测薛定谔方程的能量解。\textsc{OrbNet} 被证明在预测密度泛函理论结果时，在使用从半经验电子结构计算获得的低成本特征的情况下，于学习效率和可迁移性方面优于现有方法。对于类药分子数据集的应用，包括 QM7b-T、QM9、GDB-13-T、DrugBank 以及 Folmsbee 和 Hutchison 的构象基准数据集，\textsc{OrbNet} 以千倍或更多降低的计算成本预测出与 DFT 化学精度相符的能量。
引用
@article{arxiv.2007.08026,
title = {OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features},
author = {Zhuoran Qiao and Matthew Welborn and Animashree Anandkumar and Frederick R. Manby and Thomas F. Miller},
journal= {arXiv preprint arXiv:2007.08026},
year = {2022}
}