分解化学空间：应用于原子能量的机器学习
摘要：通过对标准QM7数据集进行多种原子分解方案的应用，我们研究了分子中嵌入的不同元素对分子解离能的贡献之间可能出现的趋势。具体而言，我们将基于空间定位的分子轨道的最新分解方案与其他方案进行了比较，这些方案根据原子轨道所属的核中心进行能量分区。我们发现，这些分区方案在揭示化合物空间的组成方面以非常不同的方式呈现，包括离散的原子贡献的分组、分箱和异质性，例如与不同重原子键合的氢原子相关的贡献。此外，某些分解方案显示出对单电子基组的不现实依赖，但并不是所有方案都有这种问题。接下来，我们评估了这些组成因素对基于原子能量的定制神经网络模型训练的相关性和重要性。我们确定了当前机器学习模型的限制和可能的优势，并讨论了基于原子和这些原子内在能量作为主要分解单位的潜在对应方案的设计。
作者：Frederik {O}. Kjeldal, Janus J. Eriksen
论文ID：2212.09489
分类：Chemical Physics
分类简称：physics.chem-ph
提交时间：2023-04-19