Multiproperty Deep Learning of the Correlation Energy of Electrons and the Physicochemical Properties of Molecules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle