論文の概要: Molecular-orbital-based Machine Learning for Open-shell and
Multi-reference Systems with Kernel Addition Gaussian Process Regression
- arxiv url: http://arxiv.org/abs/2207.08317v1
- Date: Sun, 17 Jul 2022 23:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 19:19:26.680509
- Title: Molecular-orbital-based Machine Learning for Open-shell and
Multi-reference Systems with Kernel Addition Gaussian Process Regression
- Title（参考訳）: カーネル付加ガウス過程回帰を用いたオープンシェル・マルチ参照システムの分子軌道ベース機械学習
- Authors: Lixue Cheng, Jiace Sun, J. Emiliano Deustua, Vignesh C. Bhethanabotla,
Thomas F. Miller III
- Abstract要約: 分子軌道ベース機械学習(MOB-ML)における新しい機械学習戦略であるカーネル加算ガウスプロセス回帰(KA-GPR)を導入する。
閉殻系および開殻系における一般的な電子構造理論の総相関エネルギーを機械学習戦略を導入して学習する。
MOB-ML(KA-GPR)の学習効率は、マルチ参照文字を持つ閉殻分子である最小クリージー分子のMOB-ML法と同じである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel machine learning strategy, kernel addition Gaussian
process regression (KA-GPR), in molecular-orbital-based machine learning
(MOB-ML) to learn the total correlation energies of general electronic
structure theories for closed- and open-shell systems by introducing a machine
learning strategy. The learning efficiency of MOB-ML (KA-GPR) is the same as
the original MOB-ML method for the smallest criegee molecule, which is a
closed-shell molecule with multi-reference characters. In addition, the
prediction accuracies of different small free radicals could reach the chemical
accuracy of 1 kcal/mol by training on one example structure. Accurate potential
energy surfaces for the H10 chain (closed-shell) and water OH bond dissociation
(open-shell) could also be generated by MOB-ML (KA-GPR). To explore the breadth
of chemical systems that KA-GPR can describe, we further apply MOB-ML to
accurately predict the large benchmark datasets for closed- (QM9, QM7b-T,
GDB-13-T) and open-shell (QMSpin) molecules.
- Abstract（参考訳）: 本稿では,分子軌道ベースの機械学習(mob-ml)において,新しい機械学習戦略であるkernel addition gaussian process regression(ka-gpr)を導入することで,クローズドシェルとオープンシェルシステムのための一般電子構造理論の全相関エネルギーを学習する。
MOB-ML(KA-GPR)の学習効率は、マルチ参照文字を持つ閉殻分子である最小クリージー分子のMOB-ML法と同じである。
加えて、異なる小さなフリーラジカルの予測精度は、1つのサンプル構造でトレーニングすることで1kcal/molの化学精度に達する可能性がある。
H10鎖(閉殻)とOH結合解離(開殻)の正確なポテンシャルエネルギー表面はMOB-ML(KA-GPR)によっても生成される。
KA-GPRが記述できる化学系の幅を探索するため,MOB-MLを用いてクローズド(QM9,QM7b-T,GDB-13-T)およびオープンシェル(QMSpin)分子の大規模ベンチマークデータセットを正確に予測する。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy [1.7633275579210346]
我々は,強化サンプリングと深層生成モデルを組み合わせるアプローチと,機械学習ポテンシャルの能動的学習を併用したアプローチを開発する。
本手法を用いて, 医療・生物学分野における多種多様なシステム群に属する超小型の銀ナノクラスターの異性化について検討する。
論文 参考訳（メタデータ） (2024-01-29T19:01:31Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - Accurate Molecular-Orbital-Based Machine Learning Energies via
Unsupervised Clustering of Chemical Space [0.0]
分子軌道ベース機械学習(MOB-ML)を用いたエネルギー予測におけるトレーニング効率と精度の向上を目的とした教師なしクラスタリングアルゴリズムを提案する。
この研究は、ガウス混合モデル(GMM)を介して完全に自動でクラスタを決定する。
論文 参考訳（メタデータ） (2022-04-21T00:56:16Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - 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) - 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) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。