Prediction of chemical shift in NMR using machine learning methods is typically done with the maximum amount of data available to achieve the best results. In some cases, such large amounts of data are not available, e.g. for heteronuclei. We demonstrate a novel machine learning model that is able to achieve better results than other models for relevant datasets with comparatively low amounts of data. We show this by predicting $$^{19}F$$ and $$^{13}C$$ NMR chemical shifts of small molecules in specific solvents.

中文翻译：

---

小数据量的 NMR 位移预测

使用机器学习方法预测 NMR 中的化学位移通常需要使用最大量的可用数据来实现最佳结果。在某些情况下，无法获得如此大量的数据，例如异核数据。我们展示了一种新颖的机器学习模型，对于数据量相对较少的相关数据集，该模型能够比其他模型取得更好的结果。我们通过预测特定溶剂中小分子的 $$^{19}F$$ 和 $$^{13}C$$ NMR 化学位移来证明这一点。