Сравнение молекул и твёрдых тел в структурном и алхимическом пространствах
Comparing molecules and solids across structural and alchemical space
2016-01-01
SCID: 54.1/kdghkbcv
Discuss with AI
алхимическое пространстворегуляризованное энтропийное сопоставление (REMatch)гребневая регрессиясглаженное перекрытие атомных позиций (SOAP)структурное сходство
Figures from the paper
Abstract (AI)
Оценка (не)сходства кристаллических, разупорядоченных и молекулярных соединений является важным этапом разработки алгоритмов для автоматизированного исследования конфигурационного пространства сложных материалов. Например, метрика структурного сходства имеет ключевое значение для классификации структур, поиска в химическом пространстве более эффективных соединений и материалов, а также для развития методов машинного обучения нового поколения, предназначенных для предсказания стабильности и свойств молекул и материалов. В последние годы было разработано несколько стратегий сравнения атомных координационных окружений. В частности, метод сглаженного перекрывания атомных позиций (smooth overlap of atomic positions, SOAP) стал элегантной основой для получения инвариантных относительно трансляций, вращений и перестановок дескрипторов групп атомов, что легло в основу разработки различных классов межатомных потенциалов, обучаемых методами машинного обучения. В данной работе обсуждается, как можно объединить такие локальные дескрипторы с использованием подхода регуляризованного энтропийного сопоставления (regularized entropy match, REMatch) для описания сходства как целых молекул, так и объёмных периодических структур, предложив мощные метрики, позволяющие исследовать алхимические и структурные сложности в рамках единой схемы. Кроме того, с использованием этого ядра и метода гребневой регрессии можно предсказывать энергии атомизации для базы данных малых органических молекул со средней абсолютной ошибкой менее 1 kcal mol(-1), что является важной вехой в применении методов машинного обучения для оценки молекулярных свойств.
Key Findings
1
Ядро на основе REMatch в сочетании с гребневой регрессией предсказывает энергии атомизации малых органических молекул со средней абсолютной ошибкой менее 1 ккал·моль⁻¹.
2
Предложенный подход поддерживает классификацию и поиск в химическом пространстве кристаллических, разупорядоченных и молекулярных соединений.
3
Полученные метрики инвариантны относительно трансляций, вращений и перестановок атомов, что обеспечивает единое исследование структурной и алхимической сложности.
4
В исследовании локальные атомные дескрипторы SOAP объединены с регуляризованным энтропийным сопоставлением (REMatch) для сравнения целых молекул и периодических объёмных структур.
Research Object
молекулярные и объёмные периодические соединения, включая кристаллические, разупорядоченные и молекулярные структуры
Research Subject
структурное и алхимическое сходство этих соединений, а также его использование для сравнения структур и прогнозирования энергий атомизации молекул
Publication Details
Publication Date
2016-01-01
Journal
Publisher
ISSN
Cited by
774
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью10
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
Машинное обучение в информатике материалов: современные применения и перспективы2017
QSAR без границ2020
Оценка производительности и стоимости межатомных потенциалов на основе машинного обучения2020
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
Машинное обучение универсального межатомного потенциала для кремния2018
Автоматический выбор атомных дескрипторов и эталонных конфигураций для машинно-обучаемых потенциалов2018
Дескрипторы машинного обучения для исследования катализа на основе данных2023
Предсказание электронной плотности с использованием машинного обучения и взвешенного сглаженного перекрывания атомных позиций2023
Точное предсказание межмолекулярных взаимодействий трёх тел с помощью машинного обучения на основе электронной деформационной плотности2023