通过密度泛函理论反向传播降低量子化学数据成本
机器学习
2024-02-07 v1
摘要
密度泛函理论（DFT）准确预测分子的量子化学性质，但计算复杂度为。Schütt等人（2019）成功用神经网络（NN）将DFT加速1000倍。可以说，在扩展到更大分子时面临的最大问题是DFT标签的成本。例如，创建PCQ数据集（Nakata & Shimazaki, 2017）花费了数年时间，而后续的神经网络在一周内即可完成训练。DFT通过最小化能量作为“损失函数”来标记分子。我们绕过数据集创建，直接使用作为损失函数训练神经网络。作为比较，Schütt等人（2019）花费626小时创建数据集，然后训练神经网络160小时，总计786小时；我们的方法在31小时内实现了可比的性能。
引用
@article{arxiv.2402.04030,
title = {Reducing the Cost of Quantum Chemical Data By Backpropagating Through Density Functional Theory},
author = {Alexander Mathiasen and Hatem Helal and Paul Balanca and Adam Krzywaniak and Ali Parviz and Frederik Hvilshøj and Blazej Banaszewski and Carlo Luschi and Andrew William Fitzgibbon},
journal= {arXiv preprint arXiv:2402.04030},
year = {2024}
}