大连理工大学 AIChE Journal | 加速量子化学驱动的性质预测和分子设计的机器学习潜在模型

本文介绍了大连理工大学刘奇磊课题组开发的一种基于深度学习的分子势能面预测工具DeePEST，旨在解决量子化学计算成本高的问题。该工具通过引入原子自注意力机制的机器学习势能模型（MLP），显著提高了分子能量和原子力的预测精度和计算效率。DeePEST结合严格的GeomeTRIC优化算法，实现了高效的分子几何优化，并在多个案例研究中展示了其在加速量子化学性质计算、热力学性质预测及计算机辅助分子设计中的广泛应用。与传统量子化学方法相比，DeePEST在保持高精度的同时，计算速度提高了两个数量级以上。未来研究将致力于拓展MLP模型的应用范围，包括过渡态搜索等。