.png){kind=icon}
返回
Cost-Effective Quantum-Mechanical Workflows for Molecular Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1021/acscatal.6c02583.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字革命推动了机器学习（ML）在化学领域决策支持中的快速应用。在此背景下，许多研究现采用基于量子力学（QM）描述符的ML模型，以加速各类化学问题的候选物发现。尽管密度泛函理论（DFT）传统上作为此类描述符的主要来源，但近期成本效益高的QM方法进展提供了降低计算成本、促进ML更快融入化学工作流的机会。在此，我们介绍了一种自动化、用户友好的工作流，用于生成39种经济高效的电子和立体描述符及其集成到ML模型中。这些模型广泛适用于涉及有限分子系统的领域，如均相催化和药物发现。我们通过52名参与者的盲评调查评估了这些经济高效描述符在ML驱动的催化中的应用，结果显示专家认为所得ML模型与发表质量的DFT模型一样可靠且可解释。最后，我们引入了一种全自动协议，可从SMILES字符串生成描述符和ML预测器，使预测器开发快速便捷，便于更广泛的化学界使用。这一经济高效的框架有望加速ML融入日常化学研究，并促进该领域更具包容性的数字化转型。
Keyword:
Catalysts
Density functional theory
Ligands
Machine learning
Molecular modeling
quantum-mechanical descriptors
machine learning
cheminformatics
automation
cost-effective workflows
期刊
IF:
13.1
论文数:
1.6W
被引数:
15.0W
机构
引用论文
Froitzheim, T.; Müller, M.; Hansen, A.; Grimme, S. G-xTB: A General-Purpose Extended Tight-Binding Electronic Structure Method for the Elements H to Lr (Z=1–103) 2025. ChemRxiv 2025. [Google Scholar] [CrossRef]Froitzheim, T.; Müller, M.; Hansen, A.; Grimme, S. G-xTB: 一种适用于元素H至Lr（Z=1–103）的通用扩展紧束缚电子结构方法 2025. ChemRxiv 2025. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Predictive chemistry: machine learning for reaction deployment, reaction development, and reaction discoveryCHEMICAL SCIENCE
OAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏SMILES all around: structure to SMILES conversion for transition metal complexesSMILES 遍布四周：过渡金属配合物的结构到 SMILES 的转换OAAI
OAAI分享收藏Unravelling mechanistic features of organocatalysis with in situ modifications at the secondary sphereNATURE CHEMISTRY
NATURE CHEMISTRYIF20.2
PREAI
分享收藏
查看更多内容