論文の概要: Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles

• arxiv url: http://arxiv.org/abs/2003.12437v3
• Date: Wed, 3 Jun 2020 17:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 05:29:24.276719
• Title: Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles
• Title（参考訳）: 原子部分電荷と原子双極子を組み合わせた分子双極子モーメントの予測
• Authors: Max Veit, David M. Wilkins, Yang Yang, Robert A. DiStasio Jr., Michele Ceriotti
• Abstract要約: 高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
• 参考スコア（独自算出の注目度）: 3.0980025155565376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The molecular dipole moment ($\boldsymbol{\mu}$) is a central quantity in chemistry. It is essential in predicting infrared and sum-frequency generation spectra, as well as induction and long-range electrostatic interactions. Furthermore, it can be extracted directly from high-level quantum mechanical calculations, making it an ideal target for machine learning (ML). In this work, we choose to represent this quantity with a physically inspired ML model that captures two distinct physical effects: local atomic polarization is captured within the symmetry-adapted Gaussian process regression (SA-GPR) framework, which assigns a (vector) dipole moment to each atom, while movement of charge across the entire molecule is captured by assigning a partial (scalar) charge to each atom. The resulting "MuML" models are fitted together to reproduce molecular $\boldsymbol{\mu}$ computed using high-level coupled-cluster theory (CCSD) and density functional theory (DFT) on the QM7b dataset. The combined model shows excellent transferability when applied to a showcase dataset of larger and more complex molecules, approaching the accuracy of DFT at a small fraction of the computational cost. We also demonstrate that the uncertainty in the predictions can be estimated reliably using a calibrated committee model. The ultimate performance of the models depends, however, on the details of the system at hand, with the scalar model being clearly superior when describing large molecules whose dipole is almost entirely generated by charge separation. These observations point to the importance of simultaneously accounting for the local and non-local effects that contribute to $\boldsymbol{\mu}$; further, they define a challenging task to benchmark future models, particularly those aimed at the description of condensed phases.
• Abstract（参考訳）: 分子双極子モーメント(分子双極子モーメント、英: molecular dipole moment)は、化学の中心的な量である。 誘導および長距離静電相互作用と同様に、赤外および周波発生スペクトルの予測には不可欠である。 さらに、高レベルの量子力学計算から直接抽出することができ、機械学習(ML)の理想的なターゲットとなる。 局所原子分極は、各原子に(ベクトル)双極子モーメントを割り当てる対称性に適合したガウス過程回帰(sa-gpr)フレームワーク内でキャプチャされ、分子全体の電荷移動は各原子に部分(スカラー)電荷を割り当てることでキャプチャされる。 結果として得られた「MuML」モデルは、QM7bデータセット上の高レベル結合クラスタ理論(CCSD)と密度汎関数理論(DFT)を用いて計算された分子$\boldsymbol{\mu}$を再現する。 組み合わせモデルは、より大きく複雑な分子のショーケースデータセットに適用した場合に優れた転送可能性を示し、計算コストのごく一部でDFTの精度にアプローチする。 また, 予測の不確実性は, 校正委員会モデルを用いて確実に推定できることを示した。 しかし、モデルの最終的な性能は系の詳細に依存し、スカラーモデルは電荷分離によってほぼ完全に生成される大きな分子を記述する際に明らかに優れている。 これらの観察は、$\boldsymbol{\mu}$ に寄与する局所的および非局所的効果を同時に計算することが重要であることを示している。

関連論文リスト

• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Collective dynamics Using Truncated Equations (CUT-E): simulating the collective strong coupling regime with few-molecule models [0.0]
  我々は置換対称性を利用して、大きな$N$に対するtextitab-initio量子力学シミュレーションの計算コストを大幅に削減する。 我々は、$k$余剰有効分子を加えると、$mathcalO(N-k)$とスケールする現象を考慮に入れるのに十分であることを示した。
  論文  参考訳（メタデータ） (2022-09-11T22:49:29Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning [0.0]
  本研究は、分子軌道ベース機械学習(MOB-ML)の正確かつ伝達可能なアプローチを拡張した。 双極子モーメントの相関部の分子軌道ベース(MOB)対分解を適用する。 提案した問題設定,特徴設計,MLアルゴリズムは,高精度なモデルを提供する。
  論文  参考訳（メタデータ） (2022-05-31T02:42:50Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Graph neural networks for fast electron density estimation of molecules, liquids, and solids [0.0]
  a machine learning framework for the prediction of $rho(vecr)$。 このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
  論文  参考訳（メタデータ） (2021-12-01T16:57:31Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Molecular spin qudits for quantum simulation of light-matter interactions [62.223544431366896]
  分子スピンキューディットは、物質と強く相互作用する光子場の量子力学をシミュレートする理想的なプラットフォームを提供する。 提案した分子量子シミュレータの基本単位は、マイクロ波パルスのみで制御されるスピン1/2とスピン$S$遷移金属イオンの単純な二量体で実現できる。
  論文  参考訳（メタデータ） (2021-03-17T15:03:12Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。