ReMLP-NET：一种用于分子能量预测的神经网络交互势模型

《Journal of Chemical Theory and Computation》：ReMLP-NET: A Neural Network Interaction Potential for Molecular Energy Prediction

本研究利用机器学习算法，基于原子环境向量构建单层Retrievium多隐层感知神经网络（ReMLP-NET），通过遗传算法优化对称函数超参数，验证于GDB13和DUD-E数据集，其分子总能量预测的MAE（1.29 kcal/mol）和RMSE（1.81 kcal/mol）优于ReANI-2x模型。

　　

深度学习方法的应用日益广泛，现已在化学、生物学及相关领域得到常规使用。在化学应用中，它们作为量子力学（QM）方法的替代方案，能够在更合理的计算时间内预测分子能量。本文利用机器学习算法来预测包含氢（H）、碳（C）、氮（N）、氧（O）、氟（F）、硫（S）和氯（Cl）元素的分子的总能量。训练和评估所使用的Retrievium多层感知器神经网络（ReMLP-NET）采用了来自Retrievium数据库的优化结构及总能量数据，该数据库包含了GDB13和DUD-E集合中的分子，特征集为原子环境向量。对称性函数的超参数通过遗传算法进行优化。与ReANI-2x方法相比，所提出的方法在平均绝对误差（MAE）和均方根误差（root mean squared error）方面表现更优，分别为1.29 kcal/mol和1.81 kcal/mol，而ReANI-2x方法的相应数值为1.53 kcal/mol和2.16 kcal/mol。