文献

J-GLOBAL ID：201902254615263867   整理番号：19A0659942

ハイブリッドDFT誤差より低い分子機械学習モデルの予測誤差【JST・京大機械翻訳】

Prediction Errors of Molecular Machine Learning Models Lower than Hybrid DFT Error

著者 (10件)： Faber Felix A. (Institute of Physical Chemistry and National Center for Computational Design and Discovery of Novel Materials, Department of Chemistry, University of Basel, Switzerland) ,  Hutchison Luke (California, United States) ,  Huang Bing (Institute of Physical Chemistry and National Center for Computational Design and Discovery of Novel Materials, Department of Chemistry, University of Basel, Switzerland) ,  Gilmer Justin (California, United States) ,  Schoenholz Samuel S. (California, United States) ,  Dahl George E. (California, United States) ,  Vinyals Oriol (U.K.) ,  Kearnes Steven (California, United States) ,  Riley Patrick F. (California, United States) ,  von Lilienfeld O. Anatole (Institute of Physical Chemistry and National Center for Computational Design and Discovery of Novel Materials, Department of Chemistry, University of Basel, Switzerland)
資料名： Journal of Chemical Theory and Computation  (Journal of Chemical Theory and Computation)
巻： 13  号： 11  ページ： 5255-5264  発行年： 2017年 
JST資料番号： W2328A  ISSN： 1549-9618  CODEN： JCTCCE  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 著者らは,有機分子の13の電子基底状態特性の高速機械学習(ML)モデルの構築のための回帰因子と分子表現の選択の影響を調べた。各回帰/表現/特性組合せの性能を,約118Kの異なる分子までの訓練集合サイズの関数として,サンプル外誤差を報告する学習曲線を用いて評価した。理論のハイブリッド密度汎関数理論(DFT)レベルにおける分子構造と特性は,QM9データベース[[引用文献情報:原文を参照]]に由来し,噴霧のエンタルピーと自由エネルギー,HOMO/LUMOエネルギーとギャップ,双極子モーメント,分極率,ゼロ点振動エネルギー,熱容量,および最高基本振動周波数を含む。種々の分子表現(Coulombマトリックス,結合の袋,BAMLとECFP4,分子グラフ(MG))を,距離(HD),角度(HDA/MARAD),および二面体(HDAd)のヒストグラムを含む新しく開発された分布ベースのバリアントと同様に研究した。回帰には線形モデル(Bayesリッジ回帰(BR)と弾性ネット正則化(EN)),ランダムフォレスト(RF),カーネルリッジ回帰(KRR),および2種類のニューラルネットワーク,グラフ畳込み(GC)とゲート付きグラフネットワーク(GG)を含む。サンプル誤差は,表現と回帰の選択と分子特性に強く依存する。電子的性質はMGとGCによって典型的に最も良く説明されるが,エネルギー特性はHDAdとKRRによってより良く記述される。~118Kのトレーニングセットサイズ限界における最低の試料外誤差との特異的な組み合わせは,(自由)エネルギーと噴霧のエンタルピー(HDAd/KRR),HOMO/LUMO固有値とギャップ(MG/GC),双極子モーメント(MG/GC),室温での熱容量(HDAd/KRR),最高基本振動周波数(BAML/RF)である。著者らは,DFT(B3LYP)がDFT(B3LYP)より小さいDFT(B3LYP)から逸脱するMLモデル予測がすべての特性に対する実験から逸脱するという数値的証拠を提示する。さらに,ハイブリッドDFT基準に関する試料外予測誤差は,化学精度に近いか,または近いかに関するものである。結果は,明確な電子相関量子(または実験)データが利用可能であるならば,MLモデルがハイブリッドDFTより正確であることを示唆した。Copyright 2019 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 密度汎関数法 ,  畳込み ,  ニューラルネットワーク ,  ヒストグラム ,  双極子モーメント ,  *機械学習 ,  噴霧 ,  エンタルピー ,  振動数 ,  LUMO ,  エネルギー ,  *予測誤差 ,  高速度 ,  固有値
準シソーラス用語： リッジ回帰 , 【Automatic Indexing@JST】

分類 (3件)： 分子・遺伝情報処理  (JE15040B) ,  化学熱力学・熱化学一般  (CB02010E) ,  物理化学一般その他  (CB01030T)

引用文献 (1件)：

• Ramakrishnan et al. Sci. Data 2014 1, 140022

タイトルに関連する用語 (5件)： DFT ,  誤差 ,  分子機械 ,  学習モデル ,  予測誤差