ترجمه فارسی مقاله Hessian QM9: یک پایگاه داده شیمی کوانتومی از هسیایی های مولکولی در حلال های ضمنی

چکیده

A significant challenge in computational chemistry is developing approximations that accelerate \emph{ab initio} methods while preserving accuracy. Machine learning interatomic potentials (MLIPs) have emerged as a promising solution for constructing atomistic potentials that can be transferred across different molecular and crystalline systems. Most MLIPs are trained only on energies and forces in vacuum, while an improved description of the potential energy surface could be achieved by including the curvature of the potential energy surface. We present Hessian QM9, the first database of equilibrium configurations and numerical Hessian matrices, consisting of 41,645 molecules from the QM9 dataset at the $ω$B97x/6-31G* level. Molecular Hessians were calculated in vacuum, as well as water, tetrahydrofuran, and toluene using an implicit solvation model. To demonstrate the utility of this dataset, we show that incorporating second derivatives of the potential energy surface into the loss function of a MLIP significantly improves the prediction of vibrational frequencies in all solvent environments, thus making this dataset extremely useful for studying organic molecules in realistic solvent environments for experimental characterization.

چکیده به فارسی (ترجمه ماشینی)

یک چالش مهم در شیمی محاسباتی در حال توسعه تقریبی است که ضمن حفظ دقت ، روش های \ itm {ab initio را تسریع می کند.پتانسیل های متقابل یادگیری ماشین (MLIP) به عنوان یک راه حل امیدوار کننده برای ساخت پتانسیل های اتمی که می توانند در سیستم های مختلف مولکولی و کریستالی منتقل شوند ، ظاهر شده اند.بیشتر MLIP ها فقط بر روی انرژی و نیروهای موجود در خلاء آموزش می یابند ، در حالی که می توان توصیف بهبود یافته از سطح انرژی بالقوه را با شامل انحنای سطح انرژی بالقوه بدست آورد.ما Hessian QM9 ، اولین پایگاه داده از تنظیمات تعادل و ماتریس های عددی هسیایی ، متشکل از 41645 مولکول از مجموعه داده QM9 در سطح $ $ B97X/6-31G* را ارائه می دهیم.هسی های مولکولی در خلاء ، و همچنین آب ، تتراهیدروفوران و تولوئن با استفاده از یک مدل نجات ضمنی محاسبه شدند.برای نشان دادن کاربرد این مجموعه داده ، ما نشان می دهیم که درج مشتقات دوم سطح انرژی بالقوه در عملکرد از دست دادن یک MLIP به طور قابل توجهی پیش بینی فرکانس های ارتعاش در همه محیط های حلال را بهبود می بخشد ، بنابراین این مجموعه داده را برای مطالعه مولکول های آلی در واقع گرایانه بسیار مفید می کندمحیط های حلال برای خصوصیات تجربی.