机器之心数据服务现已上线,提供高效稳定的数据获取服务,简化数据爬取流程。
麻省理工学院的研究人员开发了React-OT机器学习模型,能够在不到一秒内高效预测化学反应的过渡态。该模型比传统方法更快、更准确,帮助化学家设计可持续的化学反应,生成药物和燃料等有用化合物。
过渡态(TS)是化学反应的关键,但其寿命极短,传统计算成本高。机器学习(ML)为TS搜索提供了新方法,包括机器学习原子间势(MLIPs)和生成模型。研究团队开发了Yet Another Reaction Program(YARP),系统评估了多种ML模型在TS搜索中的表现,发现LEFTNet在多个指标上表现优异。研究表明,结合生成模型与MLIPs可提高TS搜索的效率和精度。
该研究解决了化学转化中定位过渡态的计算成本问题,开发了一种图神经网络势能函数,以提高识别过渡态结构的效率。研究表明,利用该方法,每个测试系统中成功定位了过渡态,并减少了47%的从头算计算次数,显示出现代机器学习模型在加速常规计算化学任务方面的可靠性。
本文介绍了一种探索时间反演不变的随机过程演化算子特征函数的方法,并以Langevin方程为例。该方法使用微小生成器和解算算子,从有偏差的模拟中学习,并在估计特征函数和特征值方面具有优势。实验结果表明,即使数据集只包含少数相关转变,该方法也能恢复有关转变机制的相关信息。
完成下面两步后,将自动完成登录并继续当前操作。