Multiproperty Deep Learning of the Correlation Energy of Electrons and the Physicochemical Properties of Molecules
Notice bibliographique
Résumé
The density-based descriptors from the information-theoretic approach (ITA) are used as features for multiproperty deep learning (DL), predicting the correlation energy and physicochemical properties of molecules. In addition to response properties (molecular polarizability α iso and NMR shielding constant σ iso ) where ITA has been shown to work well before, we consider four conceptually distinct but practically related concepts: electron correlation, redox potential, octanol–water partition coefficient (log K ow ), and the wavelength of maximum absorption (λ max ). The DL-predicted results are in good agreement with either the calculated or experimental counterparts, indicative of the model’s robustness. We verified the transferability of redox potentials of phenazine derivatives. Generalizability is observed for the λ max data: small chromophores are used for training/validation but the test set has sizable molecules. The trained DL model outperforms the conventional TD-DFT method in terms of accuracy and efficiency. We also showcase that the isotropic quadrupole moment (Θ iso ) is a good predictor of log K ow . This establishes that versatile density-based ITA quantities can be used to make accurate, low-cost predictions of both extensive and intensive properties, suggesting that this ITA-DL protocol has the potential for closed-loop chemistry automation. Implication of this work is straightforward, that a universal framework should be possible based on the ITA-based DL models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».