文献

J-GLOBAL ID：202002258812305825   整理番号：20A2773104

QM9量子化学データセットのSMILES表現に基づく9つの分子特性の機械学習予測【JST・京大機械翻訳】

Machine Learning Prediction of Nine Molecular Properties Based on the SMILES Representation of the QM9 Quantum-Chemistry Dataset

著者 (6件)： Pinheiro Gabriel A. (Associate Laboratory for Computing and Applied Mathematics, National Institute for Space Research, SP, Brazil) ,  Mucelini Johnatan (Sao Carlos Institute of Chemistry, University of Sao Paulo, SP, Brazil) ,  Soares Marinalva D. (Institute of Science and Technology, Federal University of Sao Paulo (Unifesp), SP, Brazil) ,  Prati Ronaldo C. (Center of Mathematics, Computation and Cognition, Federal University of ABC, SP, Brazil) ,  Da Silva Juarez L. F. (Sao Carlos Institute of Chemistry, University of Sao Paulo, SP, Brazil) ,  Quiles Marcos G. (Institute of Science and Technology, Federal University of Sao Paulo, SP, Brazil)
資料名： Journal of Physical Chemistry A  (Journal of Physical Chemistry A)
巻： 124  号： 47  ページ： 9854-9866  発行年： 2020年 
JST資料番号： C0334B  ISSN： 1089-5639  CODEN： JPCAFH  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： 機械学習(ML)モデルは,化学物質をそれぞれの標的特性にマップする機能を学習することにより,仕立てられた材料の発見を潜在的に加速できる。この現実において,重要なステップは分子系をMLモデルにコード化し,そこでは分子表現が重要な役割を果たす。大部分の表現は原子座標(構造)の使用に基づいている。しかし,それはML訓練と予測の計算コストを増加させることができる。ここでは,単純化された分子入力線エントリシステム(SMILES)表現に基づく自由座標記述子の選択の影響を検討し,ML予測の計算コストを大幅に削減できる。従って,130k有機分子から成る公共データセットから5つの特徴選択法及び9つの基底状態特性(エネルギー,電子及び熱力学特性を含む)に対するフィードフォワードニューラルネットワーク(FNN)モデルの予測性能を評価した。最良の結果は,原子化エネルギー(0Kで内部エネルギー,298.15Kでエンタルピー,298.15Kで自由エネルギー)に対して,約0.05eVの化学精度に近い平均絶対誤差に達した。さらに,原子化エネルギーに対して,結果は,従来の座標ベース記述子であるCoulomb行列で訓練された同じFNNモデルよりも9倍少ないサンプル誤差を得た。さらに,筆者らの結果は,モデルの精度が,最も最先端の方法よりも分子構造について少ない情報を持つような低い計算コスト表現を採用することによって,どのように制限されるかを示した。Copyright 2020 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： 自由エネルギー ,  エンタルピー ,  基底状態 ,  熱力学的性質 ,  分子構造 ,  簡素化 ,  特徴選択 ,  内部エネルギー ,  化学物質 ,  分子系 ,  *量子化学 ,  *機械学習 ,  予測誤差
準シソーラス用語： 原子化エネルギー ,  予測性能 ,  計算コスト , 【Automatic Indexing@JST】

分類 (2件)： 熱化学  (CB02040L) ,  分子の性質一般  (BH05031D)

タイトルに関連する用語 (7件)： 量子化学 ,  データセット ,  SMILES ,  表現 ,  分子特性 ,  機械学習 ,  予測