AIQM1
New: 我们极力推荐您查看 UAIQM，它是我们对 通用ML模型的最终解决方案 ，被认为是AIQM1的升级版。目前，AIQM1的唯一优势在于：支持激发态、提供经过校准的准确生成热，以及支持本地安装。XACS云平台上，由于云版本不支持解析导数，AIQM1存在许多数值问题。
AIQM1（人工智能-量子力学方法1）是一种通用方法，对于基态闭壳层物种，其计算精度接近于黄金标准的耦合簇量子力学方法，同时计算速度很快，与低水平半经验量子力学方法相近。此外，AIQM1也适用于带电物种、自由基物种以及激发态的计算。详情请参阅 AIQM1论文 。请将本文与其他必要的 引文 一起引用：
Peikun Zheng, Roman Zubatyuk, Wei Wu, Olexandr Isayev, Pavlo O. Dral. Artificial Intelligence-Enhanced Quantum Chemical Method with Broad Applicability. Nat. Commun. 2021, 12, 7022, DOI: 10.1038/s41467-021-27340-2.
优势： 对于闭壳层分子，AIQM1可用于精确、快速的能量计算和几何优化。
限制： 此方法目前仅可用于计算包含H, C, N, O元素的化合物。
下面我们将提供有关AIQM1安装的重要说明，以及通过命令行/输入文件和Python API来使用AIQM1的简单示例：
安装
请参阅MLatom 安装说明 。AIQM1需要 TorchANI 和 dftd4 以及半经验程序。半经验程序可以是 MNDO ，支持解析梯度和激发态计算。在 MLatom@XACS云计算平台 上无法使用MNDO，但可以使用 SCINE Sparrow 的 开发版本 (详见关于Sparrow的 论文 )。该版本不支持分析梯度，也没有AIQM1的激发态计算。因此，Sparrow可以与数值梯度一起用于几何优化和MD，但可能会导致频率计算等数值不稳定。下面描述的一些特性可能需要使用与 Gaussian 或 ASE 或PySCF包的接口。下面给出了安装说明、使用手册和适当的 引用 。
单点能计算
计算基态闭壳层分子的单点能（如果需要的话还有能量梯度）是一项简单的工作，在MLatom的输入文件中只需要3-4行，例如 sp.inp ：
AIQM1 # or AIQM1@DFT or AIQM1@DFT* if you want to use these methods
xyzfile=sp.xyz
yestfile=enest.dat
ygradxyzestfile=gradest.dat
输入需要提供分子的XYZ坐标文件 sp.xyz （可以同时提供多个分子），例如含有氢气和甲烷的XYZ坐标文件 sp.xyz 如下所示（单位是Å）：
2
H 0.000000 0.000000 0.363008
H 0.000000 0.000000 -0.363008
5
C 0.000000 0.000000 0.000000
H 0.627580 0.627580 0.627580
H -0.627580 -0.627580 0.627580
H 0.627580 -0.627580 -0.627580
H -0.627580 0.627580 -0.627580
当准备好输入文件 sp.inp 和 sp.xyz 以后即可运行MLatom：
mlatom sp.inp > sp.out
计算完成以后，MLatom的输出 sp.out 中会包含神经网络预测的标准差和AIQM1能量的分量：
Standard deviation of NN contribution : 0.00892407 Hartree 5.59994 kcal/mol
NN contribution : -0.00210898 Hartree
Sum of atomic self energies : -0.08587317 Hartree
ODM2* contribution : -1.09094119 Hartree
D4 contribution : -0.00000889 Hartree
Total energy : -1.17893224 Hartree
Standard deviation of NN contribution : 0.00025608 Hartree 0.16069 kcal/mol
NN contribution : 0.00958812 Hartree
Sum of atomic self energies : -33.60470494 Hartree
ODM2* contribution : -6.86968756 Hartree
D4 contribution : -0.00010193 Hartree
Total energy : -40.46490632 Hartree
用户也可以获取包含AIQM1能量的文件 enest.dat （单位是Hartree）：
-1.178932238420
-40.464906315250
以及包含梯度的文件 gradest.dat （单位是Hartree/Å）：
2
0.000000000000 0.000000000000 0.000032023551
0.000000000000 0.000000000000 -0.000032023551
5
-0.000000000000 -0.000000000000 0.000000000000
0.000490470799 0.000490470714 0.000490470881
-0.000490470799 -0.000490470714 0.000490470881
0.000490470799 -0.000490470714 -0.000490470881
-0.000490470799 0.000490470714 -0.000490470881
用户也可以在Python API中进行相同的计算。代码如下：
import mlatom as ml
# read molecule from .xyz file
molDB = ml.data.molecular_database.from_xyz_file('sp.xyz')
# define method
model = ml.models.methods(method='AIQM1', qm_program='MNDO')
# perform the calculations
model.predict(molecular_database=molDB, calculate_energy_gradients=True, calculate_hessian=True)
# print the energy. You can print extract properties from each molecule object, such as energy gradients and Hessian
print(molDB[0].energy)
print(molDB[1].energy)
print(molDB[1].energy-molDB[0].energy)
上述例子使用MNDO程序接口进行了测试。如果您使用的是MLatom@XACS云平台，使用的则是SCINE Sparrow的接口，因此得到的数值可能会略微不同。更多有关单点能计算的信息请参阅 教程 。
几何优化
基态闭壳层分子的几何优化和单点计算一样简单，只需要4行MLatom输入文件 opt.inp ：
AIQM1
xyzfile=opt.xyz
optxyz=final_geo.xyz
geomopt
optprog=gaussian # or optprog=ase if you choose ASE
输入需要提供分子的初始XYZ坐标 opt.xyz （可以同时提供多个分子），例如甲烷的初始构型为 opt.xyz （单位是Å）：
5
C 0.0000000000 0.0000000000 0.0000000000
H 1.0870000000 0.0000000000 0.0000000000
H -0.3623333220 -1.0248334322 -0.0000000000
H -0.3623333220 0.5124167161 -0.8875317869
H -0.3623333220 0.5124167161 0.8875317869
准备好输入文件 opt.inp 和 opt.xyz 以后即可运行MLatom：
mlatom opt.inp
计算完成以后，优化好的构型保存在Gaussian或ASE的输出文件中。
如果使用的是Gaussian，各个分子的Gaussian输出会保存在 mol_1.log, mol_2.log, … 中，就像其他类型的Gaussian任务一样，用户可以在GaussianView程序中进行可视化，查看分子构型。
如果使用的是ASE，用户可以直接在 final_geo.xyz 文件中获取分子的XYZ坐标，如下所示（单位是Å）：
5
C 0.00000000 0.00000000 0.00000000
H 1.08666998 -0.00000000 0.00000000
H -0.36222332 -1.02452229 -0.00000000
H -0.36222332 0.51226114 -0.88726233
H -0.36222332 0.51226114 0.88726233
在Python API中运行的代码如下：
import mlatom as ml
# Get the initial guess for the molecules to optimize
initmol = ml.data.molecule.from_xyz_file('opt.xyz')
# Choose one of the predifined (automatically recognized) methods
mymodel = ml.models.methods(method='AIQM1')
# Optimize the geometry with the choosen optimizer:
geomopt = ml.optimize_geometry(model=mymodel,
initial_molecule=initmol,
program='ASE',
maximum_number_of_steps=10000)
# Get the final geometry
final_mol = geomopt.optimized_molecule
# and its XYZ coordinates
final_mol.xyz_coordinates
# Check and save the final geometry
print('Optimized coordinates:')
print(final_mol.get_xyz_string())
final_mol.write_file_with_xyz_coordinates(filename='final_geo.xyz')
更多有关几何优化的信息请参阅 教程 。
过渡态优化
优化过渡态（TSs）的输入和几何优化非常相似，唯一不同的是将关键词 geomopt 替换为 ts 。优化过渡态需要计算Hessian所以更昂贵。目前仅支持使用Gaussian接口完成这项任务，例如，在输入文件中使用 optprog=gaussian 。以下是输入文件 ts.inp 的示例：
AIQM1
xyzfile=ts.xyz
optxyz=final_geo.xyz
ts
optprog=gaussian
需要提供过渡态的初猜XYZ坐标文件 ts.xyz ，对于周环反应：
初猜如下 ts.xyz ：
14
C -0.12282076 -1.09054053 1.14065341
C 0.17199635 0.23301894 1.48248953
C -0.12282076 1.35549534 0.70296425
C -0.12282076 1.35549534 -0.70296425
C 0.17199635 0.23301894 -1.48248953
C -0.12282076 -1.09054053 -1.14065341
H 0.82454258 0.40945200 2.34048883
H -0.03331673 2.33317669 1.17510642
H -0.03331673 2.33317669 -1.17510642
H 0.82454258 0.40945200 -2.34048883
H 0.43031244 -1.88602881 -1.64114758
H -1.14789312 -1.35457363 -0.93625533
H 0.43031244 -1.88602881 1.64114758
H -1.14789312 -1.35457363 0.93625533
当准备好 ts.inp 和 ts.xyz 以后即可运行MLatom进行过渡态优化：
mlatom ts.inp
计算结束以后，优化好的过渡态结构保存在XYZ坐标输出文件 final_geo.xyz 中。用户可以查看频率来判断过渡态的优化情况，即成功优化的过渡态有且仅有一个虚频，还可以使用可视化软件分析Gaussian的 .log 输出文件以查看核的运动方向。
14
6 -0.14824052 -1.18232681 1.09011331
6 0.27697295 0.08303553 1.40719277
6 -0.14824052 1.26264088 0.68226088
6 -0.14824052 1.26264088 -0.68226088
6 0.27697295 0.08303553 -1.40719277
6 -0.14824052 -1.18232681 -1.09011331
1 1.16206956 0.21862475 2.03298866
1 -0.22714441 2.21025461 1.20566513
1 -0.22714441 2.21025461 -1.20566513
1 1.16206956 0.21862475 -2.03298866
1 0.37749585 -2.04342303 -1.49163954
1 -1.19537249 -1.36555399 -0.92796582
1 0.37749585 -2.04342303 1.49163954
1 -1.19537249 -1.36555399 0.92796582
在Python API中运行的代码如下：
import mlatom as ml
# Get the initial guess for the molecules to optimize
initmol = ml.data.molecule.from_xyz_file('ts.xyz')
# Choose one of the predifined (automatically recognized) methods
mymodel = ml.models.methods(method='AIQM1')
# Optimize the geometry with the choosen optimizer:
geomopt = ml.optimize_geometry(model=mymodel,
initial_molecule=initmol,
ts=True,
program='ASE',
maximum_number_of_steps=10000)
# Get the final geometry
final_mol = geomopt.optimized_molecule
# and its XYZ coordinates
final_mol.xyz_coordinates
# Check and save the final geometry
print('Optimized coordinates:')
print(final_mol.get_xyz_string())
final_mol.write_file_with_xyz_coordinates(filename='final_geo.xyz')
参阅过渡态优化的相关 教程 以获取更多细节。
热化学计算
在MLatom的输入文件中添加频率关键词，可以在AIQM1水平上计算基态闭壳分子的热化学性质，输入文件 freq.inp 如下所示，这通常在AIQM1优化好的几何构型上继续运算：
AIQM1
xyzfile=freq.xyz
freq
optprog=gaussian # or optprog=ase if you choose ASE
输入需要提供分子的XYZ坐标文件 freq.xyz （可以同时提供多个分子），例如含有甲烷的XYZ坐标文件 freq.xyz （单位是Å）：
5
C 0.000000 0.000000 0.000000
H 0.627580 0.627580 0.627580
H -0.627580 -0.627580 0.627580
H 0.627580 -0.627580 -0.627580
H -0.627580 0.627580 -0.627580
当准备好 freq.inp 和 freq.xyz 以后即可运行MLatom：
mlatom freq.inp > freq.out
计算结束以后，MLatom的输出 freq.out 中将包含0 K时分子的原子化焓、0 K时的零点振动专属原子化能、298 K时的生成热。
如果使用的Gaussian，每个分子的频率计算的输出将分别保存在 mol_1.log 、 mol_2.log … 等文件中；这些文件包含零点振动能和多种热化学性质，例如熵和吉布斯自由能。MLatom的输出将包含上述信息，以下是甲烷输出文件的例子：
Standard deviation of NN contribution : 0.00025608 Hartree 0.16069 kcal/mol
NN contribution : 0.00958812 Hartree
Sum of atomic self energies : -33.60470494 Hartree
ODM2* contribution : -6.86968756 Hartree
D4 contribution : -0.00010193 Hartree
Total energy : -40.46490632 Hartree
Atomization enthalpy at 0 K : 391.58894 kcal/mol
ZPE exclusive atomization energy at 0 K : 419.90907 kcal/mol
Heat of formation at 298.15 K : -17.30543 kcal/mol
如果使用ASE计算热化学性质时，用户需要使用 ase.linear 和 ase.symmetrynumber 这两个关键词。对于非线性分子， ase.linear 设置为0；对于线性分子， ase.linear 设置为1。 ase.symmetrynumber 是每个分子的旋转对称数，（参见C. Cramer的《Essentials of Computational Chemistry》第二版中的表10.1和附录B）。例如，对于氢气和甲烷这两个分子而言，应该设置 ase.linear=1,0 以及 ase.symmetrynumber=2,12 。
Python API为使用更复杂的模型和构建自定义的工作流程提供了更多灵活性。下面是一个几何优化和计算频率的工作流程：
import mlatom as ml
# Get the initial guess for the molecules to optimize
initmol = ml.data.molecule.from_xyz_file('freq.xyz')
# Choose one of the predifined (automatically recognized) methods
mymodel = ml.models.methods(method='AIQM1')
# Optimize the geometry with the choosen optimizer:
geomopt = ml.optimize_geometry(model=mymodel,
initial_molecule=initmol,
program='ASE',
maximum_number_of_steps=10000)
# Get the optimized molecule
final_mol = geomopt.optimized_molecule
# Do vibration analysis and thermochemistry calculation
freq = ml.thermochemistry(model=mymodel,
molecule=final_mol,
program='ASE')
# or vibration analysis only
# freq = ml.freq(model=mymodel, molecule=final_mol, program='')
# Save the molecule with vibration analysis and thermochemistry results
final_mol.dump(filename='final_mol.json',format='json')
# Check vibration analysis
print("Mode Frequencies Reduced masses Force Constants")
print(" (cm^-1) (AMU) (mDyne/A)")
for ii in range(len(final_mol.frequencies)):
print("%d %13.4f %13.4f %13.4f"%(ii,final_mol.frequencies[ii],final_mol.reduced_masses[ii],final_mol.force_constants[ii]))
# Check thermochemistry results
print(f"Zero-point vibrational energy: {final_mol.ZPE} Hartree")
print(f"Enthalpy at 298 K: {final_mol.H} Hartree")
print(f"Gibbs Free energy at 298 K: {final_mol.G} Hartree")
print(f"Heat of formation at 298 K: {final_mol.DeltaHf298} Hartree")
关于频率和热化学计算的更多细节参见相关 教程 。
半经验程序的特殊输入
你需要使用 QMprogramKeywords
有时您可能需要通过MNDO或Sparrow程序来更改AIQM1的半经验量子力学部分。因此，MLatom支持通过 QMprogramKeywords=[带有MNDO或Sparrow关键字的文件名] 读取用户定义的MNDO或Sparrow关键字，这些关键字将传递给MNDO程序。由于此前版本的原因，MNDO程序也支持 mndokeywords 。请查阅MNDO程序手册中可用的关键字。
备注
无论何时为MNDO指定特殊关键词， iop=-22 immdp=-1 nsav15=3 igeom=1 iform=1 都是必须的，指定特殊关键词时AIQM1计算只能对XYZ文件中的单个分子运行。
带电物种和自由基的计算
例如，我们想对质子化水 H3O+进行几何优化，你可以使用以下MLatom输入： optcs.inp
AIQM1
xyzfile=optcs.xyz
optxyz=final_geo.xyz
geomopt
optprog=ase
charges=1
类似地，对于自由基，您可以提供关键字 multiplicities 。
输入要求提供待优化分子的初始XYZ坐标 optcs.xyz ，如下所示（单位是Å）：
4
O 0.00000000 0.00000000 0.08727273
H 0.00000000 0.90509668 -0.23272727
H -0.78383672 -0.45254834 -0.23272727
H 0.78383672 -0.45254834 -0.23272727
当准备好输入文件 optcs.inp 和 optcs.xyz 以后即可运行MLatom：
mlatom optcs.inp
输出的构型保存在 final_geo.xyz 文件中，如下所示（单位是Å）：
4
O 0.00000000 -0.00000000 0.12401796
H 0.00000000 0.90385318 -0.24497568
H -0.78275982 -0.45192659 -0.24497568
H 0.78275982 -0.45192659 -0.24497568
如果想使用以上优化好的 H3O+构型计算生成热，你可以使用以下输入文件： freqcs.inp
AIQM1
xyzfile=final_geo.xyz
freq
optprog=ase
charges=1
在使用 mlatom freqcs.inp > freqcs.out 运行MLatom以后，你可以在输出中得到生成热，如下所示：
Heat of formation at 298.15 K : 150.84947 kcal/mol
* Warning * Heat of formation have high uncertainty!
垂直激发能
例如，我们想计算乙烯 1B1u 态的垂直激发能，可以使用以下MLatom输入 vee.inp ：
AIQM1
xyzfile=vee.xyz
mndokeywords=mndokw
yestfile=enest.dat
输入需要提供分子的XYZ坐标 vee.xyz ，如下所示（单位为Å）：
6
Ethene 1B1u
C 0.000000 0.000000 0.668188
C 0.000000 0.000000 -0.668188
H 0.000000 0.923274 1.238289
H 0.000000 -0.923274 1.238289
H 0.000000 0.923274 -1.238289
H 0.000000 -0.923274 -1.238289
以及MNDO关键词文件 mndokw ：
iop=-22 immdp=-1 +
igeom=1 iform=1 +
jop=-2 nsav15=3 +
kci=5 ici1=1 ici2=1 iroot=2 ioutci=2 +
movo=-1 nciref=1 mciref=3 levexc=2
在准备好输入文件 vee.inp 、 vee.xyz 和 mndokw 后即可运行MLatom：
mlatom vee.inp
垂直激发能的输出保存在MNDO程序的输出文件 mndo.out 中，如下所示：
State 2, Mult. 1, B1u (4), E-E(1)= 7.910791 eV, E= -304.054934 eV
See also tutorial.
激发态几何优化
例如，我们想对甲醛的 1nπ*激发态（ 1A” ）进行几何优化，则可以使用以下输入： optes.inp
AIQM1
xyzfile=optes.xyz
optxyz=final_geo.xyz
geomopt
optprog=ase
mndokeywords=mndokw_es
输入需要提供待优化分子的初始XYZ坐标 optes.xyz ，如下所示（单位是Å）：
4
formaldehyde 1npi*
C -0.02667227 0.64339915 -0.00000000
O -0.02667227 -0.71674790 0.00000000
H 0.18670592 0.93679416 1.04362466
H 0.18670592 0.93679416 -1.04362466
以及MNDO的关键词文件 mndokw_es ：
iop=-22 immdp=-1 +
igeom=1 iform=1 +
jop=-2 nsav15=3 +
kharge=0 imult=0 +
kci=5 ici1=6 ici2=4 jci1=1 jci2=1 ncisym=2 +
movo=-1 nciref=1 mciref=3 levexc=2 iroot=1 lroot=1
mndokw_es 文件的第一行请求使用ODM2*哈密顿量（您不需要修改它），第二行指定几何构型以XYZ格式给出，第三行请求计算梯度并且将梯度和能量保存在 fort.15 文件中（需要先进行几何优化），第四行设置电荷（kharge=0）和多重度（imult=0），下面几行设置激发态的计算类型。 kci=5 指定GUGA-CI方法进行激发态计算； ici1 和 ici2 分别定义活跃的占据轨道数和非占据轨道数； jci1 和 jci2 定义活性空间中已占据和未占据的pi-分子轨道数； ncisym 定义态的对称性。这里，初始几何构型为 Cs点群，存在A’和A”两种不可约表示，我们使用 ncisym=2 来计算 1A” 态。 nciref 和 mciref 分别定义参考占据数目和参考占据的定义； levexc 定义最大激发能级， iroot 和 lroot 是计算的最低CI状态数和感兴趣的CI状态数。
在准备好输入文件 optes.inp 、 optes.xyz 和 mndokw_es 后即可运行MLatom：
mlatom optes.inp
输出的构型保存在 final_geo.xyz 文件中，如下所示（单位是Å）：
4
C -0.10906735 0.55934608 -0.00000000
O -0.02784720 -0.77782274 0.00000000
H 0.22849093 1.00935811 0.92370071
H 0.22849093 1.00935811 -0.92370071
分子轨道可视化
如果用户使用Sparrow来提供ODM2*部分的计算：vmo_sparrow.inp, sp.xyz
AIQM1
qmprog=sparrow
xyzfile=sp.xyz
yestfile=enest.dat
QMprogramKeywords=SparrowKW
需要使用 QMprogramKeywords 关键词，以Molden波函数格式输出轨道。 SparrowKW 文件的内容应该为 -W 。计算结束以后会生成 wavefunction.molden.input 文件。您可以使用 Jmol 或者 MOLDEN 程序来打开并查阅轨道。对于Jmol程序，为得到轨道图片，您应该在面板中右键选择 Surface 和 MO 。对于MOLDEN程序，为得到轨道图片，您需要在控制面板上选择Dens. 模式，点击 Orbital 按钮，然后选择 Space 选项来设置等高线值。此外，还可以使用Chemcraft来可视化轨道，但是需要使用 .molden 后缀重命名文件。
如果用户使用MNDO提供ODM2*部分的计算： vmo_mndo.inp, sp.xyz
AIQM1
qmprog=mndo
xyzfile=sp.xyz
yestfile=enest.dat
mndokeywords=mndokw_vmo
用户应当提供含有MNDO的关键词的文件 mndokw_vmo 并添加额外的关键词 nsav13=2 ：
iop=-22 immdp=-1 +
igeom=1 iform=1 +
jop=-1 nsav15=3 +
kharge=0 imult=0 nsav13=2
然后会生成 molden.dat 文件。您同样可以使用Jmol或者MOLDEN程序对轨道进行可视化。
引用
如果您使用了AIQM1，在您的出版物中可以有以下引用：
AIQM1: P. Zheng, R. Zubatyuk, W. Wu, O. Isayev, P. O. Dral. Artificial Intelligence-Enhanced Quantum Chemical Method with Broad Applicability. Nat. Commun. 2021, 12, 7022. DOI: 10.1038/s41467-021-27340-2.
MLatom: Pavlo O. Dral, Fuchun Ge, Yi-Fan Hou, Peikun Zheng, Yuxinxin Chen, Mario Barbatti, Olexandr Isayev, Cheng Wang, Bao-Xin Xue, Max Pinheiro Jr, Yuming Su, Yiheng Dai, Yangtao Chen, Lina Zhang, Shuang Zhang, Arif Ullah, Quanhao Zhang, Yanchi Ou. MLatom 3: A Platform for Machine Learning-enhanced Computational Chemistry Simulations and Workflows. J. Chem. Theory Comput. 2024, 20, 1193–1213. DOI: 10.1021/acs.jctc.3c01203.
MLatom: Pavlo O. Dral, Fuchun Ge, Yi-Fan Hou, Peikun Zheng, Yuxinxin Chen, Bao-Xin Xue, Max Pinheiro Jr, Yuming Su, Yiheng Dai, Yangtao Chen, Shuang Zhang, Lina Zhang, Arif Ullah, Quanhao Zhang, Yanchi Ou. MLatom: A Package for Atomistic Simulations with Machine Learning, version [add version number], Xiamen University, Xiamen, China, 2013–2024. MLatom.com.
ODM2* Hamiltonian: P. O. Dral, X. Wu, W. Thiel, J. Chem. Theory Comput. 2019, 15, 1743.
如果您使用MNDO程序：
MNDO program: W. Thiel,
MNDO[您使用的版本] (Max-Planck-Institut fur Kohlenforschung, Mulheim an der Ruhr, [年份])如果您使用MLatom@XACS云计算平台，使用了SCINE Sparrow：
F. Bosia, T. Husch, C. H. Müller, S. Polonius, J.-G. Sobez, M. Steiner, J. P. Unsleber, A. C. Vaucher, T. Weymuth, M. Reiher,
qcscine/sparrow: to-be-released alpha version with modifications by P. Zheng, 2022.T. Husch, A. C. Vaucher, M. Reiher, Int. J. Quantum Chem. 2018, 118, e25799.
D4: E. Caldeweyher, C. Bannwarth, S. Grimme, J. Chem. Phys. 2017, 147, 034112.
D4 program: E. Caldeweyher, S. Ehlert, S. Grimme, DFT-D4, Version [您使用的版本], (Mulliken Center for Theoretical Chemistry, University of Bonn, [年份])
ANI model: J. S. Smith, O. Isayev, A. E. Roitberg, Chem. Sci. 2017, 8, 3192
TorchANI program: X. Gao, F. Ramezanghorbani, O. Isayev, J. S. Smith, A. E. Roitberg, J. Chem. Inf. Model. 2020, 60, 3408