机构名称：
¥ 1.0
监督的机器学习方法已越来越多地用于加速电子结构预测作为第一原理计算方法的替代物，例如密度功能理论（DFT）。虽然许多量子化学数据集都集中在化学性质和原子力上，但实现对汉密尔顿基质的准确有效预测的能力是高度的，因为它是确定物理系统和化学特性的量子状态最重要，最基本的物理量。在这项工作中，我们生成了一个新的量子汉密尔顿数据集，称为QH9，以根据QM9数据集为999分子动力学轨迹的精确汉密尔顿矩阵和130,831个稳定的分子几何形状。通过使用各种分子设计基准任务，我们表明当前的机器学习模型具有预测任意分子的汉密尔顿矩阵的能力。QH9数据集和基线模型均通过开源基准提供给社区，这对于开发机器学习方法以及加速分子和材料设计的科学和技术应用可能非常有价值。我们的基准标有https://github.com/divelab/airs/tree/main/main/opendft/qhbench。
QH9：QM9分子的量子哈密顿预测基准
主要关键词
相关文件推荐
