用于预测键解离能的图神经网络在数据集间的迁移
Transferring Graph Neural Network Models for Predicting Bond Dissociation Energy between Datasets作者机构:中国科学技术大学合肥微尺度物质科学国家研究中心合肥230026
出 版 物:《Chinese Journal of Chemical Physics》 (化学物理学报(英文))
年 卷 期:2024年第37卷第1期
页 面:51-58,I0118页
核心收录:
学科分类:12[管理学] 081704[工学-应用化学] 07[理学] 070304[理学-物理化学(含∶化学物理)] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0817[工学-化学工程与技术] 081104[工学-模式识别与智能系统] 0703[理学-化学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0702[理学-物理学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:supported by the National Key Research and Development Program of China(No.2018YFA0208603) the CAS Project for Young Scientists in Basic Research(No.YSBR-005) the Innovation Program for Quantum Science and Technology(No.2021ZD0303303) the National Natural Science Foundation of China(No.22025304,No.22033007)
摘 要:基于机器学习的方法如神经网络已经广泛在化学研究中被用于对化学性质的快速估算.生成高精度的机器学习模型需要高质量的数据集.本文从不同的数据集训练了图神经网络,并验证了模型在数据集间的迁移.结果表明跨数据集的模型预测可以给出精度较低,但相关度良好的结果,其中的误差主要来自系统误差.迁移预测所得的值域与训练集的值域高度相关.不同的键型在迁移预测中的误差大小有所区别,其中C-H键一致地体现出最小的迁移误差.