• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International conference on artificial neural networks >Prediction of the Atomization Energy of Molecules Using Coulomb Matrix and Atomic Composition in a Bayesian Regularized Neural Networks
【24h】

Prediction of the Atomization Energy of Molecules Using Coulomb Matrix and Atomic Composition in a Bayesian Regularized Neural Networks

机译：贝叶斯正则神经网络中使用库仑矩阵和原子组成预测分子的原子化能

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Exact calculation of electronic properties of molecules is a fundamental step for intelligent and rational compounds and materials design. The intrinsically graph-like and non-vectorial nature of molecular data generates a unique and challenging machine learning problem. In this paper we embrace a learning from scratch approach where the quantum mechanical electronic properties of molecules are predicted directly from the raw molecular geometry, similar to some recent works. But, unlike these previous endeavors, our study suggests a benefit from combining molecular geometry embedded in the Coulomb matrix with the atomic composition of molecules. Using the new combined features in a Bayesian regularized neural networks, our results improve well-known results from the literature on the QM7 dataset from a mean absolute error of 3.51 kcal/mol down to 3.0 kcal/mol.
机译：精确计算分子的电子特性是进行智能，合理的化合物和材料设计的基本步骤。分子数据的本质上类似于图形和非矢量的性质会产生一个独特且具有挑战性的机器学习问题。在本文中，我们采用从头开始学习的方法，该方法从分子的原始几何形状直接预测分子的量子力学电子特性，这与最近的一些工作类似。但是，与这些先前的尝试不同，我们的研究表明，将库仑矩阵中嵌入的分子几何形状与分子的原子组成相结合会带来好处。使用贝叶斯正则化神经网络中的新组合特征，我们的结果从QM7数据集的文献中改进了众所周知的结果，从3.51 kcal / mol的平均绝对误差降至3.0 kcal / mol。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号