哈希恩 QM9：隐式溶剂中分子哈希恩的量子化学数据库
内容提要
本文介绍了机器学习在分子模拟和量子力学能量预测中的应用进展，包括TorchMD-NET结构和量子哈密顿矩阵预测模型。研究强调数据集的重要性，并展示了新的机器学习方法及其在分子设计和物理化学性质预测中的广泛应用前景。
延伸解读
从QM9到QH9：数据集如何推动分子机器学习
文章指出，基于QM9数据集中的分子动力学轨迹和稳定分子几何结构，研究者生成了准确的QH9量子哈密顿矩阵数据集，并设计了多种基准测试任务。这体现了在分子机器学习中，高质量数据集对于模型训练和评估的关键作用。QH9的构建不仅扩展了QM9的应用范围，还为哈密顿矩阵预测提供了标准化基准，有助于推动分子设计和材料设计领域的模型发展。
机器学习势函数在分子动力学中的精度与效率平衡
文章提到，用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性。通过联合训练两种机器学习插值势进行尺度分离，可以实现显著的加速和无损的精度。这表明机器学习势函数在保持第一性原理精度的同时，能有效提升模拟效率，为大规模分子动力学模拟提供了实用途径。
深度学习变分蒙特卡罗：超越传统量子化学方法
文章介绍，利用深度学习的变分蒙特卡罗方法（DL-VMC）结合改进的几何嵌入架构和SE(3)-等变模型来表示分子轨道，在大量化学多样性分子集上进行自我监督波函数优化。在没有任何优化的情况下，获得胜过CCSD(T)-2Z等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量。这展示了深度学习在量子化学计算中的潜力，可能为电子结构计算提供新的范式。
Q&A
机器学习在分子模拟中的应用有哪些进展？
机器学习在分子模拟中应用于量子力学能量预测、粗粒化分子动力学、自由能面提取等方面，取得了显著进展。
TorchMD-NET结构的主要功能是什么？
TorchMD-NET是一种新的等变转换器，主要用于预测量子机械性质，并强调不平衡构象数据集的重要性。
量子哈密顿矩阵预测模型的优势是什么？
该模型利用QM9数据集生成准确的量子哈密顿矩阵，能够对任意分子进行预测，具有广泛的应用前景。
深度学习的变分蒙特卡罗方法如何优化波函数？
该方法结合改进的几何嵌入架构和SE(3)-等变模型，在化学多样性分子集上进行自我监督波函数优化，超越传统方法的表现。
机器学习插值势在分子动力学模拟中的表现如何？
机器学习插值势在分子动力学模拟中表现出更广泛的适用性和无损精度，相比传统势能具有显著优势。
新数据集$ abla^2$DFT的特点是什么？
$ abla^2$DFT数据集包含更多分子结构和任务，为分子性质预测提供新的基准，是第一个包含大量药物分子放松轨迹的数据集。
