化合物空间中分子电子特性的机器学习

现代科学计算与电子结构理论的结合可以产生大量数据，这些数据适合进行智能数据分析，以识别有意义的新颖预测的结构-性质关系。这种关系使得在呈指数增长的虚拟化合物池中进行高通量筛选变得可行，这些化合物在合成上是可获得的。在这里，我们展示了一个机器学习模型，该模型在数千种有机分子的第一性原理计算结果数据库上进行训练，可以同时预测多种电子基态和激发态属性。这些属性包括原子化能、极化率、前沿轨道特征值、离子化势、电子亲和力和激发能。该机器学习模型基于深度多任务人工神经网络，利用各种分子属性之间的潜在相关性。输入与第一性原理方法相同，即所有原子的核电荷和笛卡尔坐标。对于小型有机分子，这种“量子机器”的准确性与现代量子化学方法相似，有时优于这些方法——并且计算成本可以忽略不计。