Espectros de hielo por aprendizaje automático: de 1 a 256 características

Área de la Ciencia:

• Química computacional; Ciencia de materiales; Espectroscopia

Sus antecedentes:

• La predicción de las propiedades espectroscópicas de materiales como el hielo es crucial para comprender su comportamiento.; El aprendizaje automático y las huellas estructurales ofrecen vías prometedoras para acelerar estas predicciones.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de aprendizaje automático y las huellas estructurales en la predicción de las frecuencias vibratorias de OH y los desplazamientos químicos de 1H del hielo.; Comparar el rendimiento de diferentes modelos de aprendizaje automático y descriptores.

Principales métodos:

• Se utilizó un gran conjunto de datos teóricos de 55 polimorfos de hielo con 1010 puntos de datos DFT.; Se emplearon modelos de aprendizaje automático que incluyen MACE (Message Passing Atomic Cluster Expansion), ACSF y SOAP.; Se evaluó el rendimiento utilizando la desviación cuadrática media (RMSD) para los desplazamientos químicos y las frecuencias vibratorias.

Principales resultados:

• El modelo MACE demostró un rendimiento superior, logrando una RMSD de 0.06 ppm para los desplazamientos químicos y ~10 cm⁻¹ para las frecuencias vibratorias.; Descriptores más simples como ACSF y SOAP, cuando se combinan con regresores apropiados, se acercaron a la precisión de MACE.; Un descriptor básico de distancia de enlace de hidrógeno resultó en valores de RMSD significativamente mayores en comparación con MACE.

Conclusiones:

• El aprendizaje automático, en particular MACE, proporciona predicciones de alta precisión para las propiedades espectroscópicas del hielo.; Si bien los descriptores más simples son menos precisos, ofrecen transparencia y pueden ser adecuados para aplicaciones específicas.; El estudio destaca el potencial de los métodos computacionales para avanzar en la ciencia del hielo.