Vývoj molekulárních reprezentací pro aplikaci strojového učení v kvantové chemii a spektroskopii

Abstract

Tato práce se zabývá aplikací strojového učení do oblasti kvantové chemie a spektroskopie, kde je hlavním problémem kvantitativních výpočtů jejich časová náročnost. Hlavním cílem je vývoj a testování vhodných molekulárních reprezentací neboli forem vstupního vektoru učení, které představují v této oblasti nejdůležitější součást regrese. Navrhuji zde různé přístupy založené mimo jiné na maticích atomových interakcí, na distribucích interakcí či na vypočítaných molekulových vlastnostech. Navrhované reprezentace poskytují na testovaných datových sadách aktuálně nejlepší publikované výsledky. Použití těchto reprezentací pro modelování spekter umožňuje snížení výpočetní náročnosti od jeden až dva řády.

This work is focused on the application of machine learning into quantum chemistry and spectroscopy. The main problem of quantitative quantum chemical calculations are their high computational demands which we want to overcome by using machine learning techniques. The main goal of this work is the development of new molecular representations as it is the most important part of regression in this field. I propose various molecular representations based, for example, on matrices of atomic interactions, distributions of atomic interactions or precomputed molecular properties. Proposed representations provide better results in comparison with available literature. By using these representations, it possible to accelerate spectra modelling by up to two orders of magnitude.