.png){kind=icon}
返回
PIL-Net: a physics-informed graph convolutional network for predicting atomic multipoles
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00228A.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍PIL-Net；一种物理信息图卷积网络，能够快速且低误差地预测分子性质；仅使用每个分子原子和键的基本信息。PIL-Net模型结合了图神经网络的表达能力与领域知识，预先定义一组约束条件，迫使网络做出物理一致的预测；这导致模型收敛更快。我们将PIL-Net应用于预测原子多极矩的任务；它描述原子内的电荷分布。原子多极矩有多种应用，包括将其纳入分子动力学模拟的力场中。我们强调我们模型预测原子八极矩的能力；一种高阶原子多极矩性质；平均绝对误差仅为0.0013 eų；比文献报道的结果小一个数量级以上。此外，我们的框架可以在训练后以很小的额外成本近似分子多极矩。最后，我们详细阐述了如何使用我们的网络提高模型的可解释性、重建分子静电表面势以及预测领域外数据集。
Keyword:
PIL-Net
graph convolutional network
molecular properties
atomic multipoles
physics-informed modeling
期刊
IF:
5.6
论文数:
981
被引数:
1.7K
机构
暂无机构信息
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏Minimal Basis Iterative Stockholder: Atoms in Molecules for Force-Field Development最小基础迭代股东: 用于力场发展的分子中的原子OAAI
OAAI分享收藏
查看更多内容