Combining Machine Learning and Computational Chemistry for Predictive Insights Into Chemical Systems.
Combining Machine Learning and Computational Chemistry for Predictive Insights Into Chemical Systems.
复制标题
DOI：
10.1021/acs.chemrev.1c00107
复制
发表时间：
2021-08-25
期刊：
影响因子：
62.1
通讯作者：
Tkatchenko A
中科院分区：
文献类型：
--
作者：
Keith JA;Vassilev-Galindo V;Cheng B;Chmiela S;Gastegger M;Müller KR;Tkatchenko A
机器学习模型将极大地加速计算算法，放大计算化学方法的见解，从而对化学科学产生革命性的影响。然而，要做到这一点，需要计算机科学和物理科学方面的专业知识的融合和合作。这篇评论是为在这两个领域交叉工作的新的和有经验的研究人员写的。我们首先提供计算化学和机器学习方法的简明教程，展示如何实现对两者的洞察。我们随后对值得注意的应用进行了批判性的审查，这些应用展示了计算化学和机器学习如何一起使用，以在分子和材料建模、逆合成、催化和药物设计中提供有洞察力的(和有用的)预测。
Machine learning models are poised to make a transformative impact on chemical sciences by dramatically accelerating computational algorithms and amplifying insights available from computational chemistry methods. However, achieving this requires a confluence and coaction of expertise in computer science and physical sciences. This Review is written for new and experienced researchers working at the intersection of both fields. We first provide concise tutorials of computational chemistry and machine learning methods, showing how insights involving both can be achieved. We follow with a critical review of noteworthy applications that demonstrate how computational chemistry and machine learning can be used together to provide insightful (and useful) predictions in molecular and materials modeling, retrosyntheses, catalysis, and drug design.
登录
查看更多内容
影响因子：
6.1
作者：
Agrawal, Ankit;Choudhary, Alok
通讯作者：
Choudhary, Alok
影响因子：
6.8
作者：
AKAIKE, H
通讯作者：
AKAIKE, H
影响因子：
5.5
作者：
Bannwarth, Christoph;Ehlert, Sebastian;Grimme, Stefan
通讯作者：
Grimme, Stefan
影响因子：
5.5
作者：
Andrade, Xavier;Aspuru-Guzik, Alan
通讯作者：
Aspuru-Guzik, Alan
影响因子：
3.3
作者：
Ballard, Andrew J.;Das, Ritankar;Wales, David J.
通讯作者：
Wales, David J.