基于库仑矩阵与原子组成在贝叶斯正则化神经网络中预测分子的原子化能
化学物理
2019-10-29 v1 计算物理
量子物理
摘要
精确计算分子的电子性质是智能且合理的化合物与材料设计的基本步骤。分子数据固有的类图且非向量化的性质产生了一个独特且具挑战性的机器学习问题。在本文中，我们采用从零学习的方法，即分子的量子力学电子性质直接从原始分子几何结构预测，类似于一些近期工作。但是，与这些先前的尝试不同，我们的研究表明将嵌入库仑矩阵中的分子几何结构与分子的原子组成相结合是有益的。在贝叶斯正则化神经网络中使用新的组合特征，我们的结果改进了文献中 QM7 数据集上已知的结果，将平均绝对误差从 3.51 kcal/mol 降低到 3.0 kcal/mol。
引用
@article{arxiv.1904.10321,
title = {Prediction of the Atomization Energy of Molecules Using Coulomb Matrix and Atomic Composition in a Bayesian Regularized Neural Networks},
author = {Alain Tchagang and Julio Valdés},
journal= {arXiv preprint arXiv:1904.10321},
year = {2019}
}
备注
Under review ICANN 2019