Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fine Tuning a Generative Adversarial Network’s Discriminator for Student Attrition Prediction Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Long Short-Term Memory in Chemistry Dynamics Simulation

verfasst von : Heng Wu, Shaofei Lu, Colmenares-Diaz Eduardo, Junbin Liang, Jingke She, Xiaolin Tan

Erschienen in: Advances in Artificial Intelligence and Applied Cognitive Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Chemistry dynamics simulation is widely used in quantitative structure activity relationship QSAR, virtual screening, protein structure prediction, quantum chemistry, materials design, and property prediction, etc. This chapter explores the idea of integrating Long Short-Term Memory (LSTM) with chemistry dynamics simulations to enhance the performance of the simulation and improve its usability for research and education. The idea is successfully used to predict the location, energy, and Hessian of atoms in a H2O reaction system. The results demonstrate that the artificial neural network–based memory model successfully learns the desired features associated with the atomic trajectory and rapidly generates predictions that are in excellent agreement with the results from chemistry dynamics simulations. The accuracy of the prediction is better than expected.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Combination of Variational Autoencoders and Generative Adversarial Network into an Unsupervised Generative Model
Nächstes Kapitel When Entity Resolution Meets Deep Learning, Is Similarity Measure Necessary?
Literatur
1.
D.L. Bunker, Classical trajectory methods. Comput. Phys., 10, 287–324 (1971, 1971)
2.
J.M. Millam, V. Bakken, W. Chen, W.L. Hase, Ab initio classical trajectories on the Born–Oppenheimer surface: Hessian-based integrators using fifth-order polynomial and rational function fits. J. Chem. Phys. 111, 3800–3805 (1999)CrossRef
3.
N. Sathyamurthy, Computational fitting of AB initio potential energy surfaces. Comput. Phys. Rep. 3, 1–69 (1985)CrossRef
4.
H.-M. Keller, H. Floethmann, A.J. Dobbyn, R. Schinke, H.-J. Werner, C. Bauer, P. Rosmus, The unimolecular dissociation of HCO. II. Comparison of calculated resonance energies and widths with high-resolution spectroscopic data. J. Chem. Phys. 105, 4983–5004 (1996)CrossRef
5.
X. Zhang, S. Zou, L.B. Harding, J.M. Bowman, A global ab initio potential energy surface for formaldehyde. J. Phys. Chem. 108, 8980–8986 (2004)CrossRef
6.
A.P. Bartók, M.J. Gillan, F.R. Manby, G. Csányi, Machine-learning approach for one- and two-body corrections to density functional theory: applications to molecular and condensed water. Phys. Rev. B 88, 054104 (August 2013)CrossRef
7.
8.
M. Rupp, A. Tkatchenko, K.-R. Müller, O.A. von Lilienfeld, Fast and accurate modeling of molecular atomization energies with machine learning. Phys. Rev. Lett. 108, 058301 (2012)CrossRef
9.
R. Ramakrishnan, P.O. Dral, M. Rupp, O.A. von Lilienfeld, J. Chem. Theor. Comput. 11, 2087 (2015)CrossRef
10.
11.
H. Wu, S. Lu, A. Lopez-Aeamburo, J. She, Temperature Prediction Based on Long Short-Term Memory Networks, CSCI'19, 2019
12.
V. Botu, R. Ramprasad, Adaptive machine learning framework to accelerate ab initio molecular dynamics. Int. J. Quantum Chem. 115(16), 1074–1083 (2015)CrossRef
13.
E. Apra, T.L. Windus, T.P. Straatsma, et al., NWChem, A computational chemistry package for parallel computers, version 5.0, Pacific Northwest National Laboratory, Richland, Washington, 2007
14.
H. Wu et al., Higher-accuracy schemes for approximating the Hessian from electronic structure calculations in chemical dynamics simulations. J. Chem. Phys. 133, 074101, 2010
15.
H. Wu, et al., A High Accuracy Computing Reduction Algorithm Based on Data Reuse for Direct Dynamics Simulations, CSCI 2016
16.
H. Wu and S. Lu, Evaluating the accuracy of a third order hessian-based predictor-corrector integrator, Europe Simulation Conference, 2016
17.
H. Wu, S. Lu, et al., Evaluating the accuracy of Hessian-based predictor-corrector integrators. J. Cent. South Univ. 24(7), 1696–1702 (2017)CrossRef
Metadaten
Titel
Long Short-Term Memory in Chemistry Dynamics Simulation
verfasst von
Heng Wu
Shaofei Lu
Colmenares-Diaz Eduardo
Junbin Liang
Jingke She
Xiaolin Tan
Copyright-Jahr
2021
Buch
Advances in Artificial Intelligence and Applied Cognitive Computing

Print ISBN: 978-3-030-70295-3

Electronic ISBN: 978-3-030-70296-0

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-70296-0_9

Neuer Inhalt

    Bildnachweise