半経験的量子化学計算手法

半経験的手法は、最もコストのかかる積分を無視または近似し、データに適合させたパラメーターで置き換えることにより、分子軌道計算を加速させます。

Definition

ハートリー・フォックの枠組みを維持しつつ、経験的データを用いて選択された積分をパラメーター化または省略することにより、コストを大幅に削減する近似分子軌道法です。

Scope

半経験的手法を定義する積分近似スキーム、MNDO、AM1、PM3を含む二原子微分重なり無視（NDDO）ファミリー、より最近の再パラメーター化およびタイトバインディング密度汎関数アプローチ、ならびに精度、転移性、および速度におけるトレードオフについて扱います。

Core questions

• どの積分が無視またはパラメーター化され、なぜこれによりコストが大幅に削減されるのでしょうか？
• 半経験的パラメーターはどのように決定され、どのような参照データに適合されるのでしょうか？
• 主要なNDDO法は、適用範囲と精度においてどのように異なるのでしょうか？
• 半経験的手法はどのような場合に成功し、どのような場合に失敗するのでしょうか？

Key theories

微分重なりの無視

小さな重なり依存積分を体系的に破棄することで、2電子積分の数を4次から管理可能な数に減らし、非常に高速な計算を可能にします。

積分の経験的パラメーター化

保持された積分は、実験的特性または高レベル計算に適合されたパラメトリックな表現に置き換えられ、相関やその他の効果を暗黙的にエンコードします。

Clinical relevance

半経験的手法は、非常に大きな分子の量子化学的処理、配座探索、ハイスループットスクリーニングを可能にし、マルチスケールおよび機械学習パイプライン内の高速エンジンとして機能します。

History

ヒュッケル理論およびパリサー・パー・ポープル理論に根ざし、NDDO系列はデュワーのMNDOおよびAM1、スチュワートのPM3およびその後のPMxパラメーター化、そして適用範囲と精度を広げる現代のタイトバインディング密度汎関数法を通じて発展しました。

Key figures

• Michael Dewar
• James Stewart
• Walter Thiel
• Rudolph Pariser

Seminal works

• dewar1985
• thiel2014

Frequently asked questions

半経験的結果は信頼できますか？

特に有機分子など、トレーニングデータに類似した系に対しては合理的に正確ですが、異常な結合に対しては失敗する可能性があり、その誤差は系統的なab initio階層の誤差よりも予測が困難です。

ab initio法と比較してどのくらい高速ですか？

ほとんどの2電子積分を無視することにより、半経験的手法は通常、桁違いに高速であり、数千原子を持つ分子を量子力学的に扱うことが可能になります。