Nat. Commun. | Uni-Mol+解析量子化学属性预测的全新突破

文章预览

2024年8月19日，深势科技的Shuqi Lu、Zhifeng Gao、Linfeng Zhang和Guolin Ke研究员与北京大学的Di He教授合作，在Nature Communications上发表了一篇题为“Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+”的研究成果。该研究通过开发基于深度学习的Uni-Mol+算法，创新性地利用神经网络迭代优化初始3D分子构象，精准预测量子化学属性。Uni-Mol+通过逐步逼近DFT平衡构象，显著提升了预测精度，为高通量筛选和新材料设计提供了强大的工具。 研究背景 Uni-Mol+是一种创新的深度学习方法，旨在加速量子化学属性的预测。传统方法通常依赖于1D或2D数据来直接预测量子化学属性，但这些方法在精度上往往不尽如人意，因为大多数量子化学属性依赖于经过电子结构方法（如密度泛函理论，DFT）优化后的3D平衡构象。Uni-Mol+采用了双轨Transformer模型架构，并结合了一种新颖的训 ………………………………