ChemRxiv Preprints· Manoj, Niket·· 17 天前精选AI 评分74
研究评估基础机器学习原子间势预测化学反应选择性的能力
Accelerating Mechanistic Understanding and Prediction of Chemical Selectivity with Foundation Machine-Learned Interatomic Potentials
AI 导读
研究构建SELECT50数据集，评估基础机器学习原子间势（MLIP）预测有机与金属有机反应选择性的能力。UMA-M-1.1和UMA-S-1.2预测相对过渡态能量的平均绝对误差分别为0.36和0.44 kcal mol-1，经DFT单点校正后降至0.25 kcal mol-1，主要反应路径最高98%判断正确。
推荐理由
研究用SELECT50基准比较基础MLIP与半经验、低成本量子方法在过渡态能量与选择性排序上的表现，为方法选择提供参照。
来源：ChemRxiv Preprints · chemrxiv.org