Молекулярное сходство в машинном обучении энергий в сетях химических реакций Машинное обучение помогает предсказывать свойства молекул в химических реакциях с меньшими затратами на вычисления. Однако точно предсказать энергию структур переходного состояния — сложная задача из-за их электронных характеристик. Исследование показывает, что обучение разнице в энергии между методами теории функционала плотности и метода связанных кластеров даёт лучшие результаты по сравнению с другими подходами. Для более точного прогнозирования энергии структур переходного состояния нужны более сложные дескрипторы или комплексные подходы. arXiv: 2504.18742 Обзоры | Физика
Молекулярное сходство в машинном обучении энергий в сетях химических реакций
Машинное обучение помогает предсказывать свойства молекул в химических реакциях с меньшими затратами на вычисления. Однако точно предсказать энергию структур переходного состояния — сложная задача из-за их электронных характеристик. Исследование показывает, что обучение разнице в энергии между методами теории функционала плотности и метода связанных кластеров даёт лучшие результаты по сравнению с другими подходами. Для более точного прогнозирования энергии структур переходного состояния нужны более сложные дескрипторы или комплексные подходы.
arXiv: 2504.18742
