Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials

要約

遷移状態は、化学変化における重大なボトルネックです。
ポテンシャルエネルギー面上の遷移状態を効率的に特定するアルゴリズムを開発するために多大な努力が払われてきた。
ただし、非経験的な位置エネルギー表面評価の計算コストにより、日常的に研究できる化学系のサイズが制限されます。
この研究では、有機化学反応の記述に適したグラフ ニューラル ネットワークの位置エネルギー関数を開発および微調整し、それを使用して遷移状態の推測構造を迅速に特定します。
私たちは、グラフ ニューラル ネットワークの位置エネルギー関数を使用することで、推測構造を改良し、検討した各テスト システムの遷移状態を特定することに成功し、非経験的計算の平均回数を 47% 削減しました。
私たちの結果は、最新の機械学習モデルが、ルーチンの計算化学タスクを高速化するために使用できる信頼性のレベルに達していることを示しています。

要約(オリジナル)

Transition states are a critical bottleneck in chemical transformations. Significant efforts have been made to develop algorithms that efficiently locate transition states on potential energy surfaces. However, the computational cost of ab-initio potential energy surface evaluation limits the size of chemical systems that can routinely studied. In this work, we develop and fine-tune a graph neural network potential energy function suitable for describing organic chemical reactions and use it to rapidly identify transition state guess structures. We successfully refine guess structures and locate a transition state in each test system considered and reduce the average number of ab-initio calculations by 47% though use of the graph neural network potential energy function. Our results show that modern machine learning models have reached levels of reliability whereby they can be used to accelerate routine computational chemistry tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google