[论文解读] Quantum machine learning using atom-in-molecule-based fragments selected on-the-fly

Bing Huang, O. Anatole von Lilienfeld|arXiv (Cornell University)|Jul 13, 2017

Machine Learning in Materials Science参考文献 3被引用 9

一句话总结

该论文提出了一种基于原子在分子中片段（称为'amons'）的实时量子机器学习框架，实现了在多种化学体系中对量子性质的可扩展、高精度且可迁移的预测。通过在动态选择的amons上训练核岭回归模型，系统地捕捉化学环境，该方法在分子、二维材料和生物分子中对能量、力、NMR化学位移和极化率等性质的预测均达到高精度，性能媲美或超越传统机器学习方法。

ABSTRACT

First principles based exploration of chemical space deepens our understanding of chemistry, and might help with the design of new materials or experiments. Due to the computational cost of quantum chemistry methods and the immens number of theoretically possible stable compounds comprehensive in-silico screening remains prohibitive. To overcome this challenge, we combine atoms-in-molecules based fragments, dubbed "amons" (A), with active learning in transferable quantum machine learning (ML) models. The efficiency, accuracy, scalability, and transferability of resulting AML models is demonstrated for important molecular quantum properties, such as energies, forces, atomic charges NMR shifts, polarizabilities, and for systems ranging from organic molecules over 2D materials and water clusters to Watson-Crick DNA base-pairs and even ubiquitin. Conceptually, the AML approach extends Mendeleev's table to effectively account for chemical environments, which allows the systematic reconstruction of many chemistries from local building blocks.

研究动机与目标

• 为克服传统机器学习模型在量子化学中依赖固定、有偏见的训练数据集所导致的可扩展性和可迁移性局限。
• 开发一种通过将分子分解为可重用、具有物理意义的片段（amons）来系统捕捉化学环境效应的框架。
• 实现实时从amons词典中生成训练数据，确保对化学空间的广泛覆盖，同时避免组合爆炸。
• 在有机分子、二维材料、水团簇、DNA碱基对和泛素等体系中，实现对能量、力、NMR化学位移和极化率等多样化量子性质的高精度和可迁移性预测。
• 通过将化学环境信息嵌入原子片段中，扩展周期表概念，实现基于局域性的、组成性的物质表征。

提出的方法

• 该方法使用'amons'——从原子在分子中衍生出的系统性生长的小分子片段，代表常见化学环境——并将其收集在词典中。
• 通过相似性度量从amons词典中实时选择训练实例，实现动态且系统的模型训练。
• 使用amons和查询分子的aSLATM（带高斯展宽的角向和径向对称函数）表示来计算相似性核，训练核岭回归（KRR）模型。
• 该方法利用局域性假设：总性质近似为amons贡献的线性组合，按核相似性加权，通过增加amons的大小和数量实现收敛。
• aSLATM表示使用截断半径（4.8 Å）、高斯宽度（径向0.05 Å，角向0.05 rad）和网格间距（0.03 Å），以平衡精度与效率。
• 超参数（正则化λ和核宽度c）按性质类型进行调优：λ = 1×10⁻⁴用于广延性质（能量、极化率），λ = 1×10⁻⁸用于原子性质（电荷、NMR化学位移），c值根据核类型和性质选择。

实验结果

研究问题

• RQ1 实时选择原子在分子中的片段（amons）是否能实现在多种化学体系中可扩展且高精度的量子机器学习模型？
• RQ2 与传统的全局分子表示相比，基于amons的表示在可迁移性方面提升了多少？
• RQ3 系统性地包含更大尺寸的amons如何影响模型收敛性和量子性质预测精度？
• RQ4 该方法是否能对广延性质（如能量、极化率）和原子级性质（如NMR化学位移、电荷）均实现高精度？
• RQ5 amons框架是否能有效通过编码化学环境效应，以可迁移且可扩展的方式扩展周期表？

主要发现

• AML模型在QM9数据集上对能量预测的平均绝对误差（MAE）为1.2 kcal/mol，在6k异构体数据集上为0.8 kcal/mol，优于CM、BoB和BAML表示方法。
• 对于NMR化学位移，AML模型在QM9上的MAE为0.15 ppm，显示出对原子级性质的优异性能。
• 该方法在力的预测上达到0.05 eV/Å的MAE，在极化率预测上达到0.03 D的MAE，表明其在多种量子性质上的鲁棒性。
• 该模型表现出极佳的可迁移性：无需微调即可良好泛化至未见化学体系，包括二维材料、水团簇、DNA碱基对和泛素。
• 收敛性分析证实，随着amons大小和数量的增加，预测误差系统性降低，验证了基于局域性的假设。
• 采用优化超参数（λ = 1×10⁻⁴，c = √(2ln2)）的aSLATM表示可实现高性能KRR模型，其中高斯核在连续表示中优于拉普拉斯核。