QeMFi：量子化学性质的多保真度分子数据集
化学物理
2024-10-15 v3 机器学习
摘要
机器学习（ML）和量子化学（QC）方法的进展导致了对 QC 属性的高精度 ML 模型。诸如 MD17 和 WS22 等数据集被用于在一定保真度水平上对这些模型进行基准测试，而该保真度指所选 QC 方法的准确度。在多保真度 ML（MFML）方法中，模型是在来自多个保真度的数据上进行训练的，已显示出相对于单一保真度方法的有效性。对于能带间隙到激发能等多种应用而言，正在进行大量研究。有效研究的一个障碍是缺乏用于基准测试的多样化多保真度数据集。我们提供了量子化学多保真度（QeMFi）数据集，包含五个保真度，采用 TD-DFT 形式alism 计算。这些保真度在其基组选择上不同：STO-3G、3-21G、6-31G、def2-SVP 和 def2-TZVP。QeMFi 为社区提供了诸如垂直激发性质和分子偶极矩等多种 QC 属性，进一步包括 QC 计算时间，这允许对多保真度模型在 ML-QC 中的时序收益进行基准测试。
引用
@article{arxiv.2406.14149,
title = {QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules},
author = {Vivin Vinod and Peter Zaspel},
journal= {arXiv preprint arXiv:2406.14149},
year = {2024}
}
备注
Updated dataset name, corrected certain figures, and added more complete literature review. Results remain unchanged