대규모 예측 결정학: 1,000개의 결정 에너지 지형 맵핑, 검증 및 학습

계산 결정 구조 예측(CSP)은 후보 분자의 결정 구조 가능성 공간을 초월하여 경향을 드러내고 통찰력을 가능하게 하는 능력 덕분에 물질 발견에서 점점 더 강력한 기법입니다. 본 연구에서는 현재까지 가장 큰 규모의 1000개 이상의 소형 강직 유기 분자에 대한 심층 CSP 조사를 수행하여 CSP 방법의 신뢰성과 확장성을 입증합니다. 우리는 이 매우 효율적인 힘 기반 CSP 접근 방식이 뛰어난 예측력을 가지며, 관찰된 실험 구조의 99.4%를 찾아내고, 이들 중 대다수(74%)를 가장 안정적인 가능한 구조로 순위 매기는 것을 보여줍니다(열 효과로 인한 불확실성을 고려할 때). 우리는 유기 분자 결정의 공간 군 선호를 조사하고 chirality가 있는 분자의 자발적 해법에 대한 경험적 규칙을 합리화하는 등의 큰 예측 데이터셋이 허락하는 통찰의 두 가지 예를 제시합니다. 마지막으로, 우리는 유기 고체 상태에 대한 전이 가능한 머신러닝 에너지 포텐셜 개발을 위해 이 크고 다양한 데이터셋을 활용하여, 이미 인상적인 에너지 순위를 상당히 개선하는 힘의 필드 에너지에 대한 신경망 격자 에너지 보정을 학습하고, 결정 구조 재최적화를 위한 MACE 동변환 메시지 전달 신경망을 개발합니다. 우리는 CSP 워크플로우의 우수한 성능과 신뢰성이 매우 넓은 유용성과 설명력을 가진 방대한 데이터셋 생성을 가능하게 한다고 결론지었습니다.