SchNet: A continuous-filter convolutional neural network for modeling quantum interactions

计算机科学 势能面 卷积神经网络 量子 网格 离散化 化学空间 深度学习 滤波器(信号处理) 不变(物理) 量子动力学 人工智能 水准点(测量) 理论计算机科学 统计物理学 算法 分子 物理 量子力学 化学 数学 计算机视觉 几何学 药物发现 生物化学 数学分析 大地测量学 地理
作者
Kristof T. Schütt,Pieter-Jan Kindermans,Huziel E. Sauceda,Stefan Chmiela,Alexandre Tkatchenko,Klaus‐Robert Müller
出处
期刊:Cornell University - arXiv 被引量:253
标识
DOI:10.48550/arxiv.1706.08566
摘要

Deep learning has the potential to revolutionize quantum chemistry as it is ideally suited to learn representations for structured data and speed up the exploration of chemical space. While convolutional neural networks have proven to be the first choice for images, audio and video data, the atoms in molecules are not restricted to a grid. Instead, their precise locations contain essential physical information, that would get lost if discretized. Thus, we propose to use continuous-filter convolutional layers to be able to model local correlations without requiring the data to lie on a grid. We apply those layers in SchNet: a novel deep learning architecture modeling quantum interactions in molecules. We obtain a joint model for the total energy and interatomic forces that follows fundamental quantum-chemical principles. This includes rotationally invariant energy predictions and a smooth, differentiable potential energy surface. Our architecture achieves state-of-the-art performance for benchmarks of equilibrium molecules and molecular dynamics trajectories. Finally, we introduce a more challenging benchmark with chemical and structural variations that suggests the path for further work.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Ava应助莫听南采纳,获得30
刚刚
1秒前
1秒前
老肖应助xxxx采纳,获得10
3秒前
4秒前
apple9515完成签到 ,获得积分10
4秒前
xiaaa发布了新的文献求助10
5秒前
5秒前
李妍妍发布了新的文献求助10
5秒前
科研通AI2S应助消消消消气采纳,获得10
5秒前
6秒前
ZYQ发布了新的文献求助10
7秒前
袁可宁完成签到,获得积分10
7秒前
7秒前
山越山知完成签到,获得积分10
8秒前
8秒前
平常的硬币完成签到,获得积分10
9秒前
阿网发布了新的文献求助10
10秒前
锋芒不毕露完成签到,获得积分10
10秒前
吕大喵发布了新的文献求助10
11秒前
nsk完成签到 ,获得积分10
11秒前
12秒前
JamesPei应助zzzzz采纳,获得10
13秒前
伶俐的铁身完成签到,获得积分10
14秒前
英姑应助谦让碧菡采纳,获得10
14秒前
活力尔竹发布了新的文献求助10
14秒前
小郭子完成签到,获得积分10
15秒前
科研通AI2S应助xiaaa采纳,获得10
16秒前
陳新儒发布了新的文献求助10
16秒前
17秒前
hhhj完成签到,获得积分10
18秒前
落寞的小海豚完成签到,获得积分20
19秒前
SciGPT应助吕大喵采纳,获得10
20秒前
21秒前
22秒前
小豆芽完成签到,获得积分10
23秒前
SciGPT应助wjx采纳,获得10
23秒前
找不到应助wjx采纳,获得10
23秒前
充电宝应助wjx采纳,获得10
23秒前
找不到应助wjx采纳,获得10
24秒前
高分求助中
Tracking and Data Fusion: A Handbook of Algorithms 1000
Models of Teaching(The 10th Edition,第10版!)《教学模式》(第10版!) 800
La décision juridictionnelle 800
Rechtsphilosophie und Rechtstheorie 800
Academic entitlement: Adapting the equity preference questionnaire for a university setting 500
Full waveform acoustic data processing 400
Bounded Meaning 400
热门求助领域 (近24小时)
化学 医学 材料科学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 免疫学 细胞生物学 电极
热门帖子
关注 科研通微信公众号,转发送积分 2877936
求助须知:如何正确求助?哪些是违规求助? 2491534
关于积分的说明 6744673
捐赠科研通 2172879
什么是DOI,文献DOI怎么找? 1154705
版权声明 586099
科研通“疑难数据库(出版商)”最低求助积分说明 566823