MétaCan
Menu
Retour à la cohorte
Enregistrement W4213132739 · doi:10.26434/chemrxiv-2022-qqgsw

Small basis set density-functional theory methods corrected with atom-centered potentials

2022· preprint· en· W4213132739 sur OpenAlexafffund
Viki Kumar Prasad, Alberto Otero‐de‐la‐Roza, Gino A. DiLabio

Notice bibliographique

RevueChemRxiv · 2022
Typepreprint
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesAgencia Estatal de InvestigaciónBritish Columbia Knowledge Development FundNatural Sciences and Engineering Research Council of CanadaUniversity of British ColumbiaMinisterio de Ciencia e InnovaciónWestern Canada Research GridSantenCompute Canada
Mots-clésBasis setDensity functional theoryBasis (linear algebra)ThermochemistryAtom (system on chip)Coupled clusterCovalent bondSet (abstract data type)Work (physics)Computational chemistryChemistryCluster (spacecraft)Atomic physicsMoleculeStatistical physicsPhysicsThermodynamicsQuantum mechanicsMathematicsComputer sciencePhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Density-functional theory (DFT) is currently the most popular method for modeling non-covalent interactions and thermochemistry. The accurate calculation of non-covalent interaction energies, reaction energies, and barrier heights requires choosing an appropriate functional and, typically, a relatively large basis set. Deficiencies of the density-functional approximation and the use of a limited basis set are the leading sources of error in the calculation of non-covalent and thermochemical properties in molecular systems. In this article, we present three new DFT methods based on the BLYP, M062X and CAM-B3LYP functionals in combination with the 6-31G* basis set and corrected with atom-centered potentials (ACPs). ACPs are one-electron potentials that have the same form as effective-core potentials, except they do not replace any electrons. The ACPs developed in this work are used to generate energy corrections to the underlying DFT/basis-set method such that the errors in predicted chemical properties are minimized while maintaining the low computational cost of the parent methods. ACPs were developed for the elements H, B, C, N, O, F, Si, P, S, and Cl. The ACP parameters were determined using an extensive training set of 118,655 data points, mostly of complete basis set coupled-cluster level quality. The target molecular properties for the ACP-corrected methods include non-covalent interaction energies, molecular conformational energies, reaction energies, barrier heights, and bond separation energies. The ACPs were tested first on the training set and then on a validation set of 42,567 additional data points. We show that the ACP-corrected methods can predict the target molecular properties with accuracy close to complete basis set wavefunction theory methods, but at a computational cost of double-ζ DFT methods. This makes the new BLYP/6-31G*-ACP, M062X/6-31G*-ACP, and CAM-B3LYP/6-31G*-ACP methods uniquely suited to the calculation of non-covalent, thermochemical, and kinetic properties in large molecular systems.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,195
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0020,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0310,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,050
Tête enseignante GPT0,308
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemRxivMême sujetMachine Learning in Materials ScienceTravaux en français237 207