基于图嵌入局部注意力编码器的标量耦合常数预测
机器学习
2020-09-11 v1 化学物理
摘要
标量耦合常数（SCC）在有机物三维结构分析中起着关键作用，然而传统的基于量子力学计算的SCC预测非常耗时。为了高效且准确地计算SCC，我们提出了一种图嵌入局部自注意力编码器（GELAE）模型，其中首先给出了一种基于键长、键角和二面角的耦合系统不变结构表示，然后设计了嵌入图邻接矩阵的局部自注意力模块以有效提取耦合系统特征，最后通过改进的分类损失函数预测SCC。为验证所提方法的优越性，我们使用不同的结构表示、不同的注意力模块和不同的损失函数进行了一系列对比实验。实验结果表明，与传统的化学键结构表示相比，本文提出的旋转和平移不变结构表示能够提高SCC预测精度；采用图嵌入局部自注意力后，预测模型在验证集上的平均绝对误差（MAE）从0.1603 Hz降至0.1067 Hz；使用基于分类的损失函数代替缩放回归损失，预测SCC的MAE可降至0.0963 Hz，接近CHAMPS数据集上的量子化学标准。
引用
@article{arxiv.2009.04522,
title = {Scalar Coupling Constant Prediction Using Graph Embedding Local Attention Encoder},
author = {Caiqing Jian and Xinyu Cheng and Jian Zhang and Lihui Wang},
journal= {arXiv preprint arXiv:2009.04522},
year = {2020}
}
备注
12 pages, 10 figures