機器學習法於分子間交互作用能之預測

Abstract

由於先前以量子化學計算烷、烯、炔及常見的官能基二聚體醇、醛、酸、酮、醯胺的分子間交互作用能，並且建立這些二聚體的數據庫，但隨著分子的結構越來越複雜，計算機的計算量將會花費很大的成本，數據庫的建立也因此受限。以目前我們實驗室所對付的系統分子大小大約為十到二十個原子所構成，而在這個系統大小內是可以應付的，但如果要處理更大的分子時，目前使用CPU-based的計算機會需要很長的計算時間，然而，若要讓這個系統變大的話，我們面臨的問題是直接做量子化學計算的成本會變得非常昂貴，所以才需要結合機器學習的方法。 以先前建立的數據庫當作機器學習的訓練集資料，來訓練出一個屬於以烷、烯、炔、醇、醛、酸、酮、醯胺二聚體為主體的模型，透過較小的二聚體當做訓練資料所訓練出來的模型，來預測較大的二聚體分子，訓練的過程分為兩個部分，第一部分為以同源二聚體(homodimers)為訓練集資料所建立的模型來預測同源二聚體(homodimers)的結果，第二部分為以同源二聚體(homodimers)為訓練集資料所建立的模型來預測異源二聚體(heterodimers)的結果，最後與量子化學計算的結果來做比較，判定模型的準確性，而量子化學計算是以MP2方法搭配aug-cc-pVTZ的基底來計算最佳化構型，分子間交互作用能的計算則是透過PSI4軟體中的SAPT(symmetry-adapted perturbation theory)方法，搭配jun-cc-pVTZ的基底來計算。 透過使用機器學習的方法，學習電子結構數據來預測分子間的交互作用能，能夠達到與傳統量子化學計算相似的準確性，且擁有更快的計算速度，解決了系統變大時，計算成本昂貴的問題。