論文の概要: Hessian QM9: A quantum chemistry database of molecular Hessians in implicit solvents

• arxiv url: http://arxiv.org/abs/2408.08006v1
• Date: Thu, 15 Aug 2024 08:16:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 14:36:26.640322
• Title: Hessian QM9: A quantum chemistry database of molecular Hessians in implicit solvents
• Title（参考訳）: ヘシアンQM9:暗黙の溶媒中の分子ヘシアンの量子化学データベース
• Authors: Nicholas J. Williams, Lara Kabalan, Ljiljana Stojanovic, Viktor Zolyomi, Edward O. Pyzer-Knapp,
• Abstract要約: ヘシアン QM9 は平衡配置と数値ヘシアン行列の最初のデータベースである。 MLIPの損失関数にポテンシャルエネルギー表面の第2の導関数を組み込むことにより,全溶媒環境における振動周波数の予測が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 0.31457219084519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A significant challenge in computational chemistry is developing approximations that accelerate \emph{ab initio} methods while preserving accuracy. Machine learning interatomic potentials (MLIPs) have emerged as a promising solution for constructing atomistic potentials that can be transferred across different molecular and crystalline systems. Most MLIPs are trained only on energies and forces in vacuum, while an improved description of the potential energy surface could be achieved by including the curvature of the potential energy surface. We present Hessian QM9, the first database of equilibrium configurations and numerical Hessian matrices, consisting of 41,645 molecules from the QM9 dataset at the $\omega$B97x/6-31G* level. Molecular Hessians were calculated in vacuum, as well as water, tetrahydrofuran, and toluene using an implicit solvation model. To demonstrate the utility of this dataset, we show that incorporating second derivatives of the potential energy surface into the loss function of a MLIP significantly improves the prediction of vibrational frequencies in all solvent environments, thus making this dataset extremely useful for studying organic molecules in realistic solvent environments for experimental characterization.
• Abstract（参考訳）: 計算化学における重要な課題は、精度を保ちながら \emph{ab initio} 法を加速する近似を開発することである。 機械学習原子間ポテンシャル(MLIP)は、異なる分子系と結晶系に転移可能な原子性ポテンシャルを構築するための有望な解決策として登場した。 ほとんどのMLIPは真空中のエネルギーと力でしか訓練されないが、ポテンシャルエネルギー表面の曲率を含めることで、ポテンシャルエネルギー表面の描写を改良することができる。 本報告では,QM9データセットから41,645個の分子からなる平衡配置と数値ヘッセン行列のデータベースであるHessian QM9を,$\omega$B97x/6-31G*レベルで提示する。 水、テトラヒドロフラン、トルエンを暗黙の溶媒モデルを用いて真空で計算した。 本データセットの有用性を実証するため,MLIPの損失関数にポテンシャルエネルギー表面の2次誘導体を組み込むことで,全ての溶媒環境における振動周波数の予測が大幅に向上することを示し,本データセットを現実的な溶媒環境における有機分子の研究に極めて有用であることを示す。

関連論文リスト

• Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
  Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。 両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
  論文  参考訳（メタデータ） (2024-11-16T23:16:59Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [1.1016723046079784]
  原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。 提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。 MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
  論文  参考訳（メタデータ） (2024-04-16T17:24:22Z)
• BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development [11.682763325188525]
  本稿では,分子動力学(MD)シミュレーションのための新しいフレームワークであるBAMBOOを紹介し,リチウム電池用液体電解質の文脈でその能力を実証する。 BamBOOは密度、粘性、イオン伝導率などの主要な電解質特性を予測するための最先端の精度を示す。 この研究は、一般的な有機液体の性質をシミュレートできる「ユニバーサルMLFF」への道を開くことを目的としている。
  論文  参考訳（メタデータ） (2024-04-10T17:31:49Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Studying chirality imbalance with quantum algorithms [62.997667081978825]
  我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。 量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
  論文  参考訳（メタデータ） (2022-10-06T17:12:33Z)
• 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)
• Graphical Gaussian Process Regression Model for Aqueous Solvation Free Energy Prediction of Organic Molecules in Redox Flow Battery [2.7919873713279033]
  本稿では,有機分子の溶解自由エネルギーを学習し,予測する機械学習モデルを提案する。 我々は,MLモデルを用いて,分子の解離自由エネルギーを1kcal/mol未満の平均絶対誤差で化学的精度で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-06-15T13:48:26Z)
• 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)

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。