Apprentissage automatique des propriétés électroniques moléculaires dans l'espace des composés chimiques

La combinaison de l'informatique scientifique moderne avec la théorie de la structure électronique peut conduire à une quantité sans précédent de données susceptibles d'analyse intelligente pour l'identification de relations structure-propriété significatives, nouvelles et prédictives. De telles relations permettent un criblage à haut débit pour des propriétés pertinentes dans un pool de composés virtuels en croissance exponentielle, accessibles de manière synthétique. Ici, nous présentons un modèle d'apprentissage automatique, formé sur une base de données de résultats de calculs ab initio pour des milliers de molécules organiques, qui prédit simultanément plusieurs propriétés électroniques d'état fondamental et d'état excité. Les propriétés incluent l'énergie d'atomisation, la polarizabilité, les valeurs propres des orbitales de frontière, le potentiel d'ionisation, l'affinité électronique et les énergies d'excitation. Le modèle d'apprentissage automatique est basé sur un réseau de neurones artificiels profond à tâches multiples, exploitant les corrélations sous-jacentes entre diverses propriétés moléculaires. L'entrée est identique aux méthodes ab initio, c'est-à-dire les charges nucléaires et les coordonnées cartésiennes de tous les atomes. Pour les petites molécules organiques, la précision de ce 'machine quantique' est similaire, et parfois supérieure, aux méthodes quantiques modernes—à un coût computationnel négligeable.