ISO17 (ISO17 - MD Trajectories of C7O2H10 with total energies and atomic forces)

描述 这些分子是从 QM9 数据集 [1] 中最大的一组异构体中随机抽取的，该数据集由具有固定原子组成 (C7O2H10) 的分子组成，这些分子以不同的化学有效结构排列。它是 [2] 中使用的 ismoer MD 数据的扩展。该数据库是使用 Fritz-Haber Institute ab initio 模拟包 (FHI-aims) [3] 从分子动力学模拟中生成的。使用 Perdew-Burke-Ernzerhof (PBE) 泛函[4] 和 Tkatchenko-Scheffler (TS) van der 的广义梯度近似 (GGA) 中的标准量子化学计算方法密度泛函理论 (DFT) 进行了模拟华耳斯校正法[5]。该数据库由 129 个分子组成，每个分子包含 5,000 个构象几何形状、能量和力，分子动力学轨迹的分辨率为 1 飞秒。格式 数据以 ASE sqlite 格式存储，在总能量键下的总能量以 eV 为单位，在原子力键下的 atomic_forces 以 eV/Ang 为单位。以下 Python 代码片段遍历位于 path_to_db 的数据集的前 10 个条目： from ase.db import connect with connect(path_to_db) as conn: for row in conn.select(limit=10): print(row.toatoms() ) print(row['total_energy']) print(row.data['atomic_forces']) Partitions 数据按照 SchNet 论文 [6] 中使用的方式进行分区：reference.db - 80% 的 MD 轨迹的步长的 80% reference_eq.db - 这些分子的平衡构象 test_within.db - 剩余 20% 未见的参考轨迹步骤 test_other.db - 剩余 20% 未见 MD 轨迹 test_eq.db - 测试轨迹的平衡构象 在本文中，我们拆分了参考数据 ( reference.db）分成 400k 个训练示例和 4k 个验证示例。这些索引分别在文件 train_ids.txt 和 validation_idx.txt 中给出。基准模型 能量（内部）[eV] 力（内部）[eV/A] 能量（其他）[eV] 力（其他）[eV/A] SchNet [6] 0.016 0.043 0.104 0.095 下载 可在此处获取：data/iso17。 tar.gz (799.7 MB) 如何引用 使用此数据集时，请务必引用以下论文：KT Schütt, P.-J。 Kindermans、HE Sauceda、S. Chmiela、A. Tkatchenko、K.-R。穆勒。 SchNet：用于模拟量子相互作用的连续滤波器卷积神经网络。神经信息处理系统的进展。 2017. KT Schütt、F. Arbabzadah、S. Chmiela、KR Müller、A. Tkatchenko。来自深度张量神经网络的量子化学见解。 Nature Communications, 8, 13890. 2017. R. Ramakrishnan、PO Dral、M. Rupp 和 OA von Lilienfeld。 134 公斤分子的量子化学结构和性质。科学数据，2014 年 1 月。参考文献 [1] R. Ramakrishnan、PO Dral、M. Rupp 和 OA von Lilienfeld。 134 公斤分子的量子化学结构和性质。科学数据，2014 年 1 月。 [2] Schütt, KT, Arbabzadah, F., Chmiela, S., Müller, KR 和 Tkatchenko, A. (2017)。来自深度张量神经网络的量子化学见解。 Nature Communications, 8, 13890. [3] Blum, V.；格尔克，R。汉克，F。哈武，P。哈武，V。任，X。路透社，K。 Scheffler, M. Ab Initio Molecular Simulations with Numeric Atom-Centered Orbitals。计算。物理。交流。 2009, 180 (11), 2175–2196。 [4] 珀杜，JP；伯克，K。 Ernzerhof, M. 使广义梯度近似变得简单。物理。牧师莱特。 1996, 77 (18), 3865–3868。 [5] 特卡琴科，A.； Scheffler, M. 来自基态电子密度和自由原子参考数据的精确分子范德华相互作用。物理。牧师莱特。 2009, 102 (7), 73005. [6] Schütt, KT, Kindermans, PJ, Sauceda, HE, Chmiela, S., Tkatchenko, A., & Müller, KR SchNet：用于量子建模的连续滤波器卷积神经网络互动。神经信息处理系统的进展（接受）。 2017 年。