Traditionelle Moleküldarstellungen, die hauptsächlich auf kovalenten Bindungen beruhen, haben wichtige Aspekte wie Delokalisierung und nicht-kovalente Wechselwirkungen vernachlässigt. Vorhandene Machine-Learning-Modelle nutzen informationsarme Darstellungen, was ihre Fähigkeit zur Erfassung molekularer Komplexität einschränkt. Obwohl die computergestützte Chemie robuste quantenmechanische Methoden entwickelt hat, wird ihre Anwendung im maschinellen Lernen durch Berechnungsherausforderungen für komplexe Systeme eingeschränkt. Graphenbasierte Darstellungen haben einige topologische Informationen geliefert, aber ihnen fehlen quantenchemische Voraussetzungen.
Die zunehmende Komplexität von Vorhersageaufgaben hat den Bedarf an hochwertigeren Darstellungen aufgezeigt. Diese Arbeit adressiert diese Lücken, indem sie stereoelektronik-infundierte molekulare Graphen (SIMGs) einführt, die quantenchemische Interaktionen integrieren. SIMGs zielen darauf ab, die Interpretierbarkeit und Leistung von Machine-Learning-Modellen bei der Vorhersage molekularer Eigenschaften zu verbessern, die Einschränkungen früherer Ansätze zu überwinden und ein umfassenderes Verständnis des molekularen Verhaltens zu vermitteln.
Die molekulare Darstellung ist entscheidend für das Verständnis chemischer Reaktionen und das Design neuer Materialien. Traditionelle Modelle verwenden informationsarme Darstellungen, die für komplexe Aufgaben ungeeignet sind. Dieses Papier führt stereoelektronik-infundierte molekulare Graphen (SIMGs) ein, die quantenchemische Informationen in molekulare Graphen integrieren. SIMGs verbessern traditionelle Darstellungen, indem sie Knoten für Bindungsortoribitale und freie Elektronenpaare hinzufügen, um vernachlässigte Wechselwirkungen wie Delokalisierung und nicht-kovalente Kräfte zu berücksichtigen. Diese Methode zielt darauf ab, ein umfassenderes Verständnis von molekularen Interaktionen zu bieten, die Leistung von Machine-Learning-Algorithmen bei der Vorhersage molekularer Eigenschaften zu verbessern und die Bewertung zuvor unzugänglicher Systeme, wie ganze Proteine, zu ermöglichen.