具有改进数据效率的 HOMO-LUMO 能隙选择性机器学习
化学物理
2021-10-07 v1
摘要
分子 HOMO-LUMO 能隙的量子机器学习（QML）模型通常难以实现令人满意的数据效率，表现为随训练集增大预测误差下降。将有机分子训练集（QM7 和 QM9 数据集）按三类划分[含芳香环和羰基、单不饱和键、或饱和键]后再训练，得到独立训练的 QML 模型，其学习率得以提升。所选能隙 QML 模型（GW、B3LYP 和 ZINDO 理论水平）达到约 0.1 eV 的平均绝对预测误差，所需训练分子数比较常规训练模型最多少一个数量级。与能隙的 Δ-QML 模型直接对比表明，选择性 QML 具有显著更高的数据效率。研究结果表明，选择性 QML（例如基于训练前简单分类）可助力以高保真度和低计算负担成功处理大型库中具有挑战性的量子性质筛选任务。
引用
@article{arxiv.2110.02596,
title = {Selected Machine Learning of HOMO-LUMO gaps with Improved Data-Efficiency},
author = {Bernard Mazouin and Alexandre Alain Schöpfer and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:2110.02596},
year = {2021}
}
备注
19 pages, 20 figures