.png){kind=icon}
返回
A Large Scale Molecular Hessian Database for Optimizing Reactive Machine Learning Interatomic Potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41597-025-06350-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过渡态（TS）表征是反应建模的基础，但传统的密度泛函理论（DFT）计算成本高昂。机器学习原子间势能（MLIPs）有望以较低成本实现量子级别的精度，然而由于缺乏大规模Hessian数据，大多数模型仅基于能量和力进行预训练，限制了过渡态优化。我们提出HORM，这是目前用于反应体系的最大学术化学Hessian数据集：包含1.84亿个矩阵，计算级别为ωB97x/6-31G(d)。为高效利用二阶信息，我们提出了一种基于Hessian信息的训练方法，结合随机行采样策略，以控制引入Hessian的计算开销。在多种MLIP架构和力学习方案中，HORM使Hessian平均绝对误差降低最高达63%，过渡态搜索效率提升最高达200倍，相比未使用Hessian的基线模型。HORM因此填补了关键的数据和方法学空白，能够构建更准确、鲁棒的MLIP模型，并实现反应网络的规模化探索。
Keyword:
Hessian database
Machine-learning interatomic potentials
Transition-state optimization
Reactive systems
Quantum chemistry
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.9
论文数:
3.8K
被引数:
3.8W
机构
引用论文
Transition1x - a dataset for building generalizable reactive machine learning potentialsTransition1x-用于构建可推广的反应式机器学习潜力的数据集OAAI
OAAI分享收藏Machine Learning Interatomic Potentials as Emerging Tools for Materials Science机器学习原子间势作为材料科学的新兴工具.png)
ADVANCED MATERIALSOAAI
ADVANCED MATERIALSIF26.8
OAAI分享收藏
查看更多内容