データ駆動型機械学習による分子構造からの物性予測と電子密度の獲得

抄録

本発表では、化合物の分子構造（原子配置）のみから原子化エネルギーを学習する過程において、密度汎関数理論に基づくことで電子構造を獲得する、新たな深層学習モデルを提案する。我々はこの提案モデルを、化合物とその物性に関する大規模データベースであるQM9を用いて学習し、物性の外挿予測性能を評価した。