使用机器学习来改进计算化学中的主要方法工具是非常重要的,因为它们被广泛用于研究不同的问题。这里重点介绍量子力学 (quantum mechanics, QM) 和密度泛函理论 (density functional theory, DFT) 的第一性原理方法,以及基于牛顿的分子力学 (molecular mechanics, MM) 和分子动力学(molecular dynamics, MD) 方法的相关ML...
机器学习在化学和材料科学领域的应用正迅速扩展,为这些学科带来了前所未有的创新和进步。机器学习是人工智能的一个重要分支,主要由以下几个核心组成部分:监督学习、非监督学习、强化学习和深度学习。 1.机器学习的应用 在化学领域,机器学习主要被用于分子的设计和合成路径的预测。通过分析大量的化学数据,机器学习模型可以...
在过去的十年里，机器学习和人工智能取得了长足的进步，使我们距离智能机器的实现更近了一步。深度学习方法和增强的数据存储能力的在这一进步中发挥了关键作用。机器学习已经在图像和语音识别等领域取得了成功，现在它在以复杂数据和多样化有机分子为特征的化学领域受到了广泛关注。然而，由于化学家不熟悉现代机器学习算法...
该综述介绍了机器学习的基本组成部分,包括数据库、特征和算法,并重点介绍了机器学习技术在化学领域取得的一些重要成就。综述旨在弥合化学家和现代机器学习算法之间的差距,深入了解机器学习在彻底改变化学研究方面的潜力。 论文链接:https://doi.org/10.1016/j.eng.2023.04.013 综述分为以下几大部分: 首先介绍了流行的化...
化学反应的复杂性在于，反应机理、反应的路径以及表面结构的未知性。在该研究中，机器学习原子模拟可以真正深入到催化的原子层级，其背后离不开“第一工具”——机器学习。但一般的机器学习势函数的问题在于，没有办法进行足够复杂的势能面结构采样，因此预测能力相对有限。2022 年，随着 AI 技术的发展和该团队多年的...
在过去的十年里,机器学习和人工智能取得了长足的进步,使我们距离智能机器的实现更近了一步。深度学习方法和增强的数据存储能力的在这一进步中发挥了关键作用。机器学习已经在图像和语音识别等领域取得了成功,现在它在以复杂数据和多样化有机分子为特征的化学领域受到了广泛关注。
图1 纳米反应器主动学习工作流程和所考虑的具体应用的总结 ©2024 Springer Nature AL 循环是一种用于开发 MLIP 的自动化、迭代且高效的方法。AL 生成一个训练数据集，其中仅包含基于 MLIP 集合识别的高不确定性结构的量子计算。使用 NR 模拟对与凝聚相反应化学相关的结构进行采样。初始系统由由元素 C、H、N ...
图1:合成性能和分子特性的机器学习预测。(来源:论文) 基于化学知识的 ML 模型用于预测合成性能 在此,研究人员开发了一种名为「基于分子相互作用图神经网络的空间和电子嵌入分子图」(Sterics-and Electronics-embedded Molecular Graph with Molecular Interaction Graph Neural Network,SEMG-MIGNN)的基于化学知识的 ML ...
从理论角度来看,机器学习模型还可以用于学习低成本的可计算量,例如分子的吸附能和电子能带结构,这些对于催化很重要 。 另一方面,机器学习原子模拟可以提供有关催化剂结构和反应机理的原子级知识,这有利于催化剂的合理设计。 未来展望 该综述总结了最近化学领域机器学习应用的关键要素,从流行的数据库到常见特征、现代机器...
另一方面,机器学习原子模拟可以提供有关催化剂结构和反应机理的原子级知识,这有利于催化剂的合理设计。 未来展望 该综述总结了最近化学领域机器学习应用的关键要素,从流行的数据库到常见特征、现代机器学习模型和标准应用场景。 随着最近机器学习应用的成功,我们必须认识到机器学习在化学中的使用带来了许多挑战。例如,一个...