Deep learning for strongly correlated systems in quantum chemistry
Project goals
In this project, we plan to develop the algorithm mapping a structure to properties at domain-based local pair natural orbitals (DLPNO) multireference coupled cluster (DLPNO-MRCC) level and DLPNO tailored coupled cluster (DLPNO-TCC) level corrected by density matrix renormalization group (DMRG). Simultaneously, we will develop a machine learning algorithm predicting the most entangled pairs of orbitals, based on precomputed set of one-electron, mono and bicentric integrals. It could be seen as an automatic selection of the active space. We believe that the algorithm trained on small and medium-size systems could exploit learned information also for larger systems, for which is the selection of active space for CAS methods (like DMRG) difficult. Without any significant effort we will also develop the algorithm mapping integrals to a property at DMRG level (energy, singlet-triplet gap energy).
Keywords
computational chemistrycoupled clustersmultireference methodsneural networksmachine learningdeep learningDMRGactive spaceTNN
Public support
Provider
Czech Science Foundation
Programme
Junior Grants
Call for proposals
Juniorské granty 5 (SGA0201900002)
Main participants
Ústav fyzikální chemie J. Heyrovského AV ČR, v. v. i.
Contest type
VS - Public tender
Contract ID
19-13126Y
Alternative language
Project name in Czech
Deep learning pro silně korelované systémy v kvantové chemii
Annotation in Czech
V tomto projektu chceme vyvinout algoritmy využívající strojové učení (ML) na několikavrstvých neuronových sítích, které na základě struktury aproximují chemické vlastnosti na úrovni multireferenčních coupled cluster metod, a také tailored coupled cluster metody korigované pomocí density matrix renormalization group (DMRG) přístupu. Kromě toho plánujeme vyvinout ML model, který dokáže na základě vybraného setu integrálů vrátit informace týkající se entanglementu v rámci systému. Tímto způsobem tak lze zcela automaticky identifikovat optimální aktivní prostor. Předpokládáme, že model naučený z referenčních dat pro menší systémy dokáže naučenou informaci induktivně aplikovat také na větší systémy, u kterých je identifikace aktivních orbitalů velmi složité. Získaná referenční data pro trénování popsaných modelů využijeme také ke konstrukci ML modelu, u kterého bude jako výstup přímo chemická vlastnost na DMRG úrovni (energie, singlet-triplet štěpení).
Scientific branches
Solution timeline
Realization period - beginning
Jan 1, 2019
Realization period - end
Dec 31, 2023
Project status
—
Latest support payment
May 12, 2021
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP22-GA0-GJ-R
Data delivery date
Feb 21, 2022
Finance
Total approved costs
5,930 thou. CZK
Public financial support
5,884 thou. CZK
Other public sources
46 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
5 930 CZK thou.
Public support
5 884 CZK thou.
99%
Provider
Czech Science Foundation
OECD FORD
Physical chemistry
Solution period
01. 01. 2019 - 31. 12. 2023