Machine learning unifies the modeling of materials and molecules.
Machine learning unifies the modeling of materials and molecules.
复制标题
DOI：
10.1126/sciadv.1701816
复制
发表时间：
2017-12
期刊：
影响因子：
13.6
通讯作者：
Ceriotti M
中科院分区：
文献类型：
--
作者：
Bartók AP;De S;Poelking C;Bernstein N;Kermode JR;Csányi G;Ceriotti M
基于原子结构的局部表示的统计学习提供了化学稳定性的通用模型。确定分子和凝聚相的稳定性是原子建模的基石，支撑着我们对化学和材料性质和转化的理解。我们表明，基于化学环境和贝叶斯统计学习的局部描述的机器学习模型，提供了一个统一的框架来预测原子尺度的属性。它捕获了控制硅的复杂表面重建的量子力学效应，以化学准确性预测不同类别分子的稳定性，并以超过99%的可靠性区分活性和非活性蛋白质配体。我们框架的普遍性和系统性为材料和分子的势能面提供了新的见解。
Statistical learning based on a local representation of atomic structures provides a universal model of chemical stability. Determining the stability of molecules and condensed phases is the cornerstone of atomistic modeling, underpinning our understanding of chemical and materials properties and transformations. We show that a machine-learning model, based on a local description of chemical environments and Bayesian statistical learning, provides a unified framework to predict atomic-scale properties. It captures the quantum mechanical effects governing the complex surface reconstructions of silicon, predicts the stability of different classes of molecules with chemical accuracy, and distinguishes active and inactive protein ligands with more than 99% reliability. The universality and the systematic nature of our framework provide new insight into the potential energy surface of materials and molecules.
登录
查看更多内容
影响因子：
8.6
作者：
Faber, Felix A.;Lindmaa, Alexander;Armiento, Rickard
通讯作者：
Armiento, Rickard
影响因子：
3.7
作者：
Bartok, Albert P.;Kondor, Risi;Csanyi, Gabor
通讯作者：
Csanyi, Gabor
影响因子：
4.4
作者：
Huang, Bing;von Lilienfeld, O. Anatole
通讯作者：
von Lilienfeld, O. Anatole
影响因子：
8.6
作者：
Behler, Joerg;Parrinello, Michele
通讯作者：
Parrinello, Michele
影响因子：
4.4
作者：
BECKE, AD
通讯作者：
BECKE, AD