[论文解读] ANI-1: A data set of 20M off-equilibrium DFT calculations for organic molecules

Justin S. Smith, Olexandr Isayev+1 more|arXiv (Cornell University)|Jan 1, 2017

Machine Learning in Materials Science参考文献 35被引用 4

一句话总结

ANI-1 是一个包含超过 2000 万个密度泛函理论（DFT）计算能量的数据库，涵盖 57,000 种含有 1 至 8 个 C、N 和 O 原子的小分子非平衡构象。通过正则模式采样生成，该数据集可实现对有机体系在非平衡条件下高精度的机器学习力场和分子动力学模拟。

ABSTRACT

A data set of more than 20 million density function theory calculated energies for non-equilibrium conformations from 57k small molecules. The molecules included contain from one to eight C, N, and O atoms. The non-equilibrium conformations were generated using a normal mode sampling scheme.

研究动机与目标

• 创建一个大规模、高精度的数据库，包含小分子有机物在非平衡构象下的 DFT 计算能量。
• 支持开发能够准确模拟非平衡几何结构下分子动力学的机器学习力场。
• 提供一个基准数据集，用于量子化学和材料科学中模型的训练与评估。
• 实现对具有多样化元素组成的有机分子构象能垒图谱的系统性研究。

提出的方法

• 使用正则模式采样生成非平衡构象，以探索从平衡几何结构出发的振动畸变。
• 对所有生成的构象执行 DFT 计算，以高精度计算电子能量。
• 收集了 57,000 种含有 1 至 8 个 C、N 和 O 原子的小分子数据。
• 通过在所有计算中使用单一 DFT 泛函和基组，确保了数据的一致性与准确性。
• 对数据集进行组织，以支持下游机器学习应用，包括力场训练。
• 提供元数据，包括分子结构、能量值和构象参数，以确保可复现性。

实验结果

研究问题

• RQ1 大规模的非平衡 DFT 能量数据集能否提升有机分子机器学习力场的准确性？
• RQ2 非平衡构象中的 DFT 能量在多大程度上能够捕捉小分子有机物的构象能垒图谱？
• RQ3 在非平衡状态下，不同有机分子结构的能量势垒和能量极小值的分布如何？
• RQ4 该数据集在多大程度上能够支持分子机器学习模型中的迁移学习与泛化能力？

主要发现

• ANI-1 数据集包含超过 2000 万个 DFT 计算能量，覆盖 57,000 种独特的有机小分子。
• 通过正则模式扰动系统性地采样了非平衡构象，确保了广泛的构象覆盖范围。
• 该数据集涵盖含有 1 至 8 个 C、N 和 O 原子的分子，支持对多样化分子复杂度的研究。
• 包含非平衡几何结构使得分子体系中动态行为和过渡态行为的建模得到显著改善。
• 该数据集适用于训练能够高精度预测能量和力的机器学习模型。
• 该数据支持在广泛多样的构象与能量区域对机器学习势能进行基准测试。