机器学习力场,Chemical Reviews

当前位置： X-MOL 学术 › Chem. Rev. › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

机器学习力场
Chemical Reviews ( IF 51.4 ) Pub Date : 2021-03-11 , DOI: 10.1021/acs.chemrev.0c01111
Oliver T Unke _{1,

2} , Stefan Chmiela ₁ , Huziel E Sauceda _{1,

3} , Michael Gastegger _{1,

2,

3} , Igor Poltavsky ₄ , Kristof T Schütt ₁ , Alexandre Tkatchenko ₄ , Klaus-Robert Müller _{1,

5,

6,

7,

8}

Affiliation

近年来，由于传统电子结构方法的计算复杂性，机器学习 (ML) 在计算化学中的使用实现了许多以前无法实现的进步。最有前途的应用之一是构建基于机器学习的力场 (FF)，旨在缩小从头计算方法的准确性与经典 FF 的效率之间的差距。关键思想是学习化学结构和势能之间的统计关系，而不依赖于固定化学键的先入为主的概念或有关相关相互作用的知识。这种通用机器学习近似原则上仅受用于训练它们的参考数据的质量和数量的限制。本综述概述了 ML-FF 的应用以及可以从中获得的化学见解。详细描述了 ML-FF 的核心概念，并给出了从头开始构建和测试它们的分步指南。本文最后讨论了下一代 ML-FF 仍有待克服的挑战。

"点击查看英文标题和摘要"

更新日期：2021-03-11

点击分享查看原文

点击收藏

公开下载

阅读更多本刊最新论文本刊介绍/投稿指南

全部期刊列表>>