機械学習による大型光機能材料の興奮状態エネルギーの多チャンネルモルオーブ画像における穴粒子情報をエンコードする
Ziyong Chen1, Vivian Wing-Wah Yam1,2
1Institute of Molecular Functional Materials and Department of Chemistry, The University of Hong Kong, Pokfulam Road, Hong Kong, China.
私たちは新しい分子軌道画像 (MolOrbImages) を開発し,VGGの機械学習モデルを使用して興奮状態のエネルギーを予測しました. このアプローチは様々な分子に対して高い精度を達成し,トリプル状態の化学的精度に近づきます.
科学分野:
- コンピュータ化学
- 量子化学について
- 化学における機械学習
背景:
- 分子興奮状態の正確な予測は,光物理学的プロセスを理解するために重要です.
- 既存の方法は,複雑なシステムの計算コストや精度で苦労しています.
研究 の 目的:
- 興奮状態のエネルギーを予測するための新しい分子軌道画像 (MolOrbImages) を導入する.
- VGG型の機械学習モデルを開発し,これらのMolOrbImagesを使用して検証する.
主な方法:
- 一電子多チャンネル分子軌道画像 (MolOrbImages) の表現
- VGGタイプの機械学習アーキテクチャを使用しています.
- 穴と粒子の状態を MolOrbImages 内のチャネルとして組み込む
主要な成果:
- 低空のシングレットとトリプレットの興奮状態に対する優れた予測精度を達成した.
- 証明された低平均絶対誤差 (MAE) <0.08 eV (QM9) と <0.1 eV (大分子)
- T1状態の例外的な性能 (MAE < 1 kcal/mol) を示し,化学的精度に近づいています.
結論:
- 開発されたMolOrbImagesとVGGモデルは,興奮状態のエネルギー予測のための強力な非システム固有のアプローチを提供します.
- 物理的に洞察力のある穴粒子の情報はモデルの性能を改善し,オーバーフィッティングを減少させます.
- 分子興奮状態のための将来の軌道ベースの記述子の設計のためのガイドラインを提供します.
さらに関連する動画
11:06Multi-color Localization Microscopy of Single Membrane Proteins in Organelles of Live Mammalian Cells
Published on: June 30, 2018
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
関連する概念動画
Molecular Spectroscopy: Absorption and Emission
UV–Vis Spectroscopy: Molecular Electronic Transitions
Channel Rhodopsins
Rhodopsins belong to the family of cell surface proteins called G-protein coupled receptors,...
Photochemical Electrocyclic Reactions: Stereochemistry
Selection Rules: Photochemical Activation
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
Insensitive Nuclei Enhanced by Polarization Transfer (INEPT)
