机器学习中分子表示的理解：唯一性与目标相似性的作用
化学物理
2016-11-23 v3
摘要
机器学习（ML）分子性质预测模型的准确性取决于分子表示的选择。基于量子力学公设，我们引入满足唯一性和目标相似性准则的表示层次结构。为系统控制目标相似性，我们依赖原子间多体展开，如通用力场中实现的，包括键接、角度和高阶项（BA）。增加高阶贡献系统地增加对真实势能和所得 ML 模型预测准确性的相似性。我们报告了在电子相关和密度泛函理论水平上预先计算的数千个小有机分子分子性质训练的 BAML 模型的数值证据。研究的属性包括原子化焓和自由能、热容、零点振动能、偶极矩、极化率、HOMO/LUMO 能量和能隙、电离势、电子亲和能和电子激发。训练后，BAML 以空前准确性和速度预测样本外分子的能量或电子性质。
引用
@article{arxiv.1608.06194,
title = {Understanding molecular representations in machine learning: The role of uniqueness and target similarity},
author = {Bing Huang and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:1608.06194},
year = {2016}
}