利用电子密度信息和替代泛函预测分子性质
Electron-Density-Informed Molecular Property Prediction Using Surrogate Functionals
精选理由
将电子密度与代理泛函约束结合，提升分子性质预测精度及对大分子的泛化能力。
AI 摘要
arXiv:2610.13649v1 公告类型：cross 摘要：机器学习方法正日益用于直接根据分子结构预测化学性质，以绕过量子力学计算通常高昂的成本。近期研究表明，在此类机器学习模型中加入基态电子密度作为输入可以提高预测准确性。本文采用了近期提出的替代泛函框架，该框架最初是为无轨道密度泛函理论开发的，并将其扩展到分子性质预测。我们表明，将基态密度作为模型输入，同时约束其为替代泛函的最小值，在 QM9 数据集七种广延性质中的六种上超越了当前最先进的性能。此外，该方法在取自 QM40 数据集的较大分子上展现出更强的泛化能力。对于两个数据集中的所有广延性质，我们的方法都优于那些利用基态密度提供信息、但不施加替代泛函约束的模型。