重磅！Machine Learning预测化学位移，精度与DFT一致！

近日，瑞士洛桑联邦理工大学（EPFL)的Lydon Emsley课题组与Michele Ceriotti课题组合作，利用machine learning来预测固体NMR中的化学位移，其预测结果和精度与基于第一性原理计算的DFT结果高度一致，但显然machine learning的效率要远远大于DFT计算，后者经常需要超级计算机来进行高精度的计算。

其论文预先提交到arxiv网上。

Emsley及Ceriotti课题组也将其机器学习的算法发布在网上供读者测试。

https://www.materialscloud.org/work/tools/shiftml

随着人工智能，深度学习等相关领域逐渐变得火热，利用深度学习等技术来进行NMR相关领域的研究也开始兴起，如利用深度学习自动进行蛋白质谱峰的归属（https://doi.org/10.1093/bioinformatics/bty134），凝聚态物质的结构预测（https://arxiv.org/abs/1405.3564）等。

有关该研究的具体内容请参见原文：

https://arxiv.org/abs/1805.11541