Behler, J. y Parrinello, M. Representación generalizada de redes neuronales de superficies de energía potencial de alto nivel. física Rdo. Letón. 98146401 (2007).
Smith, JS, Isayev, O. & Roitberg, AE ANI-1, un conjunto de datos de 20 millones para el cálculo de configuraciones fuera de equilibrio para moléculas orgánicas. Datos científicos 4170193 (2017).
Smith, JS, Nebgen, B., Lubbers, N., Isayev, O. y Roitberg, AE Menos es más: modelado del espacio químico con aprendizaje activo. J Química Física. 148241733 (2018).
Smith, JS y cols. La capacidad de las redes neuronales de propósito general mediante el aprendizaje por transferencia con precisión de agrupación conjunta. Neto. normal 102903 (2019).
Chamila, S., Sauceda, H., Müller, K-R. & Tkatchenko, A. Hacia simulaciones exactas de dinámica molecular con campos de fuerza aprendidos por máquinas. Neto. normal 93887 (2018).
Chmiela, S. y col. Aprendizaje automático de campos de fuerza moleculares precisos que conservan energía. Avance científico. 3e1603015 (2017).
Schutt, KT, Sauceda, HE, Kindermans, PJ, Tkatchenko, A. & Müller, KR SchNet: una arquitectura de aprendizaje profundo para moléculas y materiales. J Química Física. 148241722 (2018).
Thomas, Ann y cols. Redes de campos tensoriales: redes neuronales equivalentes a rotación y traslación para nubes de puntos 3D. Preimpresión https://arxiv.org/abs/1802.08219 (2018).
Dratz, R. Expansión del cúmulo atómico para potenciales interatómicos exactos y transferibles. física Rev. B 99014104 (2019).
Anderson, B., Hay, TS y Condor, R. Cormoranes: redes neuronales moleculares coherentes. Adv. Inf. neuronal. acción Sistema. 3203573b32 (2019).
Qiao, Z., Welborn, M., Anandkumar, A., Manby, FR y Miller, TF OrbNet: aprendizaje profundo para la química cuántica utilizando propiedades atómico-orbitales adaptadas a la simetría. J Química Física. 153124111 (2020).
Batzner, S. y col. E(3): red neuronal gráfica equivalente para potenciales interatómicos precisos y eficientes en datos. no es normal 132453 (2022).
Glick, ZL, Koutsoukas, A., Cheney, DL y Sherrill, CD Redes neuronales de paso de mensajes cartesianos para propiedades direccionales: multipolos atómicos rápidos y transferibles. J Química Física. 154224103 (2021).
Schütt, K., Unke, O. & Gastegger, M. Mensaje similar para la predicción de propiedades tensoriales y espectros moleculares. en el Profe. 38a Conferencia Internacional sobre Aprendizaje Automático, Profe. Investigación sobre aprendizaje automático vol. 139 (eds Meila, M. y Zhang, T.) 9377–9388 (PMLR, 2021).
Unke, OT y cols. SpookyNet: aprendizaje de campos de fuerza con grados de libertad electrónicos y efectos no locales. Neto. normal 127273 (2021).
Haghighatlari, M. et al. NewtonNet: una red newtoniana de transmisión de mensajes para el aprendizaje profundo de potenciales y fuerzas interatómicas. el número la discoteca 1333–343 (2022).
Guan, X y col. Conjunto de datos de referencia para la combustión de hidrógeno. Datos científicos 9215 (2022).
Marderosin, N. y Head-Gordon, M. ωB97X-V: densidad de aproximación de gradiente funcional de correlación no local, híbrida, separada por rangos, de 10 parámetros, con una configuración de estrategia óptima de supervivencia. física Leva. Leva. física dieciséis9904–9924 (2014).
Bertels, LW, Newcomb, LB, Alaghemandi, M., Green, JR y Head-Gordon, M. Evaluación comparativa del campo de fuerza reactiva ReaxFF en sistemas de combustión de hidrógeno. J Phys Chem. A 1245631–5645 (2020).
Li, J., Zhao, Z., Kazakov, A. & Dryer, FL Un modelo cinético integral actualizado de la combustión de hidrógeno. tú. Estaba caminando en mi cámara. 36566–575 (2004).
Kolichenko, M. et al. Habilidades interpersonales para el aprendizaje activo de dinámicas orientadas a la incertidumbre. Neto. informática. ciencia 3230–239 (2023).
Shapeev, A., Gubaev, K., Tsymbalov, E. y Podryabinkin, E. en El aprendizaje automático se une a la física cuántica Apuntes de conferencias sobre física vol. 968 (eds Schütt, K. et al.) 309-329 (Springer, 1970).
Seung, HS, Opper, M. & Sompolinsky, H. Pregunta del comité. en el Quinto Taller Anual sobre Teoría del Aprendizaje Computacional 287–294 (Asociación de Maquinaria de Computación, 1992).
Sharan, C. y col. Facilitar capacidades de aprendizaje automático para sistemas acuáticos complejos. Acad. Pro Nacional. Conozca América 118e2110077118 (2021).
Ang, SJ, Wang, W., Schwalbe-Koda, D., Axelrod, S. & Gómez-Bombarelli, R. El aprendizaje activo acelera ab initio la dinámica molecular en superficies de energía reactiva. Leva 7738–751 (2021).
Zhang, S. y col. Explorando las fronteras de la química con capacidades generales de aprendizaje automático de reacciones. en preimpresiones ChemRxiv https://doi.org/10.26434/chemrxiv-2022-15ct6 (2023).
Khalak, Y., Tresadern, G., Hahn, DF, de Groot, BL & Gapsys, V. Exploración espacial química con aprendizaje activo y energías libres de químicos. J. Chem. Computación Teórica. 186259–6270 (2022).
Yang, M., Bonati, L., Pollino, D. y Perrinello, M. Uso de la metadinámica para desarrollar capacidades de redes neuronales para fenómenos reactivos: el caso de la degradación de la urea en el agua. Pava. hoy 387143-149 (2022).
Lio, A. y Perrinello, M. Escapar de la energía libre mínima. Profe. Acad. Nacional. Conozca América 9912562–12566 (2002).
Barducci, A., Bussi, G. y Parrinello, M. Metadinámica bien temperada: un método de energía libre sintonizable y suavemente convergente. física Rdo. Letón. 100020603 (2008).
Uno, tres, etc. Uso de mapas de difusión para analizar la dinámica de reacción para un conjunto de datos de referencia de combustión de hidrógeno. J. Chem. Computación Teórica. 195872–5885 (2023).
Van der Oord, C. y col. Aprendizaje activo extremo para potenciales interatómicos basados en datos. Computadora NPG. madre 9168 (2023).
Mueller, T., Hernandez, A. & Wang, C. Aprendizaje automático para modelos de probabilidad atómica. J Química Física. 152050902 (2020).
Ramakrishnan, R., Durrell, PO, Rupp, M. y von Lilienfeld, O. A. Big data se encuentra con la aproximación de la química cuántica: enfoque de aprendizaje automático Δ. J. Chem. Computación Teórica. 112087–2096 (2015).
Böselt, L., Thürlemann, M. & Riniker, S. Aprendizaje automático en simulaciones de dinámica molecular QM/MM de sistemas de fase condensada. J. Chem. Computación Teórica. 172641–2658 (2021).
Shao, Y. et al. Avances en química cuántica molecular incluidos en el paquete del programa Q-Chem 4. Mol. física 113184-215 (2014).
Tribello, GA, Bonomi, M., Branduardi, D., Camilloni, C. & Bussi, G. PLUMED 2: plumas nuevas para un pájaro viejo. informática. física la comuna 185604–613 (2014).
Larson, H. y col. Entorno de simulación atómica: una biblioteca de Python para trabajar con átomos. J Phys sustancia grasa 29273002 (2017).
Rupp, M., Tkachenko, E., Müller, K-R. y von Lilienfeld, O. A. Modelado rápido y preciso de energías de atomización molecular con aprendizaje automático. física Rdo. Letón. 108058301 (2012).
Herman-Saffar, O. Un método para elegir el número de grupos. k– significado medio https://towardsdatascience.com/an-approach-for-choosing-number-of-clusters-for-k-means-c28e614ecb2c (2021).
Epifanovsky, E. et al. Software para las fronteras de la química cuántica: una descripción general de los desarrollos en el paquete Q-Chem 5. J Química Física. 155084801 (2021).
Van Voorhees, T. y Head-Gordon, M. Un enfoque geométrico para la minimización directa. Mol. física 1001713-1721 (2002).
Khaliullin, RZ, Cobar, EA, Lochan, RC, Bell, AT y Head-Gordon, M. Determinación del origen de interacciones intermoleculares utilizando orbitales moleculares altamente localizados. J Phys Chem. A 1118753–8765 (2007).
Guan, X., Handel, J., Ko, T., Yang, C. y Head-Gordon, T. Datos complementarios sobre la combustión de hidrógeno de un estudio de aprendizaje activo. higuera https://doi.org/10.6084/m9.figshare.23290115.v1 (2023).
Guan, X. Thglab/h2combustion_al: v1.0.0. Zenodo https://doi.org/10.5281/zenodo.8378075 (2023).
