机器学习预测肽链和小蛋白的Hessian矩阵

摘要

分子Hessian在描述分子振动、轨迹和优化路径中起关键作用，但对中等大小系统用标准量子力学方法计算代价高昂。该论文提出一种机器学习模型，可预测由数千个原子组成的生物体系的Hessian矩阵。该方法基于内坐标学习，固有地具有旋转和平移不变性，且随系统规模扩展良好。训练数据为简单氨基酸，它们是更大蛋白质的构件。由预测的Hessian可计算谐振近似下的热化学性质，包括焓、熵、吉布斯自由能和零点振动能。