量子力学方程提供预测化学特性的路径图 从基础科学理论开始然而,这些方程快速变得太贵 计算机时间和功率 当用预测大系统行为
机器学习为加速大规模模拟提供了有希望的办法研究者显示机器学习模型可模仿基本自然规律结构这些法律很难直接模拟机器学习方法使得预测容易计算并精确化于各种化学系统
作用
改良机器学习模型可快速精确预测各种分子特性这些方法在计算化学重要基准上得分很高,并显示深学习方法通过输入更多实验数据可继续提高
模型还能够成功执行挑战性任务,例如预测振奋状态动态;How系统高能度行为工具是量子化学突破能力这将使研究者更好地了解新分子的回动状态和兴奋状态
摘要
机器学习预测化学特性将带来巨大的技术进步前景,从清洁能源应用到快药设计
这是一个高度活跃的研究领域,但大多数现有方法使用简单启发式方法设计机器学习模型LosAlamos国家实验室研究者建议更多量子力学数学融入机器学习预测结构机器学习模型使用分子内原子的具体位置预测有效汉密顿矩阵,描述各种电子状态及其相关能
与传统量子化学模拟相比,机器学习法以大幅下降计算成本预测可量化精确预测物性,可解释原子间化学联动性质,并可用于预测其他复杂现象,如系统对扰动反应,如光物质交互方法还大大提高传统机器学习模型的精度并显示可转移性成功性,即模型预测能力远超出数据培训基础
供资问题
欧洲杯线上买球由LosAlamos实验室指导研发程序基金和能源部科学局基础能源科学局、化学科学局、地球科学局和生物科学司支持此项研究欧洲杯线上买球这项工作部分由非线性研究中心和综合纳米技术中心完成,后者是DOE科学局用户设施
源码 :欧洲杯线上买球https://www.energy.gov/science/office-science