机器学习 (ML) 正在成为对复杂化学过程和材料进行建模的首选方法。ML提供了一个在参考数据集上训练的替代模型,可用于建立分子结构与其化学性质之间的关系。近日,美国洛斯阿拉莫斯国家实验室Sergei Tretiak等总结了使用ML 评估化学性质(如部分原子电荷、偶极矩、自旋和电子密度以及化学键合)以及获得简化的量子力学描述的进展。
本文要点:
1)作者概述了几种现代神经网络架构、它们的预测能力、通用性和可迁移性,并说明它们对各种化学性质的适用性。强调学习的分子表示类似于量子力学类似物,证明了模型捕捉基础物理的能力。还讨论了 ML 模型如何描述非局部量子效应。
2)最后,作者编制了一份可用的 ML 工具箱列表,总结了未解决的挑战并展望了未来的发展。观察到的趋势表明,该领域正在向 ML 增强的基于物理的模型发展,伴随着新方法的开发和用户友好的化学 ML 框架的快速增长。
Nikita Fedik, et al. Extending machine learning beyond interatomic potentials for predicting molecular properties. Nat. Rev. Chem., 2022
DOI: 10.1038/s41570-022-00416-3