MIT News - Artificial intelligence
·
新计算化学技术加速分子和材料的预测
💡
原文英文，约1300词，阅读约需5分钟。
📝
内容提要
研究人员结合量子化学的耦合簇理论与机器学习，开发了新模型MEHnet，能够更快速、准确地预测分子特性。这一方法有望在材料设计中实现高通量筛选，促进新材料的发现与应用。
🎯
关键要点
- 研究人员结合量子化学的耦合簇理论与机器学习，开发了新模型MEHnet。
- MEHnet能够更快速、准确地预测分子特性，促进材料设计中的高通量筛选。
- 传统的机器学习模型主要基于密度泛函理论（DFT），但存在准确性不足和信息单一的问题。
- 耦合簇理论（CCSD(T)）提供了更高的计算准确性，但计算速度较慢，限制了其应用范围。
- MEHnet通过训练神经网络，能够快速进行CCSD(T)计算，并提取多种分子特性。
- 该模型能够评估电子极化率、光学激发间隙等多种电子特性，适用于分析基态和激发态。
- MEHnet在已知烃分子的分析中表现优于DFT模型，并与实验结果高度一致。
- 研究团队已将模型应用于小型非金属元素，并逐步扩展到更重的元素。
- 该模型有潜力用于高通量分子筛选，帮助发现新材料。
- 未来的目标是实现对整个周期表的CCSD(T)级别准确性，解决化学、生物学和材料科学中的广泛问题。
➡️
