Details

Рассматривается задача коррекции относительных энергий конформеров молекулярных систем, рассчитанных полуэмпирическим методом GFN2-xTB. Разработанный Δ-machine learning метод использует GFN2-xTB как базовый расчётный уровень, а ансамбль MPNN-моделей предсказывает поправку к относительной энергии конформера. Программная реализация выполнена на Python 3.11 в виде вычислительного конвейера, запускаемого из командной строки. Конвейер включает подготовку данных SPICE 2.0.1, выполнение single-point расчётов GFN2-xTB, формирование целевой поправки, обучение 10 MPNN-моделей и построение ансамблевого предсказания. После фильтрации итоговая выборка включила 1782 молекулы и 16757 конформеров. На тестовой выборке из 268 молекул и 2522 конформеров исходный GFN2-xTB показал MAE 10,15 ккал/моль и RMSE 12,84 ккал/моль. После добавления ансамблевой Δ-ML-поправки ошибки снизились до MAE 4,95 ккал/моль и RMSE 6,27 ккал/моль. Дополнительно разработанный метод сопоставлен с PM6, GFN1-xTB и MACE-OFF23 medium. Полученные результаты показывают, что разработанный метод примерно в два раза снижает ошибку базового GFN2-xTB и достигает качества, сопоставимого с MACE-OFF23 medium на выбранной тестовой задаче.

The work addresses the correction of relative conformer energies of molecular systems calculated with the semiempirical GFN2-xTB method. The developed Δ-machine learning method uses GFN2-xTB as the baseline computational level, while an ensemble of MPNN models predicts a correction to the relative energy of a conformer. The software implementation is developed in Python 3.11 as a command-line computational pipeline. The pipeline includes SPICE 2.0.1 data preparation, GFN2-xTB single-point calculations, target correction construction, training of 10 MPNN models, and ensemble prediction. After filtering, the final dataset contained 1782 molecules and 16757 conformers. On the test set of 268 molecules and 2522 conformers, the baseline GFN2-xTB method achieved MAE of 10.15 kcal/mol and RMSE of 12.84 kcal/mol. After adding the ensemble Δ-ML correction, the errors decreased to MAE of 4.95 kcal/mol and RMSE of 6.27 kcal/mol. The developed method was also compared with PM6, GFN1-xTB, and MACE-OFF23 medium. The obtained results show that the developed method reduces the baseline GFN2-xTB error by approximately a factor of two and achieves performance comparable to MACE-OFF23 medium on the selected test task.