Funciones de onda de estado excitado y energías predichas por el aprendizaje automático basado en redes neuronales de...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• La simulación de la dinámica fotoinducida en los materiales es computacionalmente intensiva.
• Los cálculos precisos requieren considerar las estructuras electrónicas de estado excitado y los efectos excitónicos.
• Los métodos existentes se enfrentan a desafíos con el costo computacional y la escalabilidad para sistemas complejos.

Objetivo del estudio:

• Desarrollar un enfoque acelerado de aprendizaje automático para la dinámica molecular no adiabática.
• Incorporar y predecir eficientemente los efectos excitónicos en simulaciones de estado excitado.
• Para permitir simulaciones precisas y escalables de los procesos fotodinámicos en los materiales.

Principales métodos:

• Utilizó una arquitectura de red neuronal de gráficos (GNN) para predecir funciones y energías de onda de estado excitado.
• Información molecular aprovechada de los cálculos del estado fundamental para la entrada de GNN.
• Las predicciones de ML integradas en simulaciones de salto de superficie basadas en el número mínimo de interruptores.

Principales resultados:

• Las propiedades de estado excitado predichas por ML coincidieron estrechamente con los resultados de la teoría funcional de densidad dependiente del tiempo de respuesta lineal (LR-TDDFT).
• Logró importantes ganancias de eficiencia computacional en comparación con los métodos tradicionales.
• Las simulaciones aceleradas por ML reproducen con precisión la dinámica del estado excitado en un sistema ZnPc-C60.

Conclusiones:

• El enfoque ML desarrollado proporciona un marco general y escalable para la dinámica de estado excitado.
• Se ha demostrado una alta fidelidad en la simulación de procesos fotodinámicos, incluidos los efectos excitónicos.
• Permite el estudio de la fotoquímica compleja en sistemas de materiales más grandes con mayor eficiencia.