遷移金属錯体におけるスピン状態決定のための高品質量子化学データ

科学分野:

• 計算化学
• 量子化学
• 材料科学

背景:

• 機械学習（ML）モデルは、信頼性の高い密度汎関数理論（DFT）データを使用して、有機化学で優れています。
• MLモデルは、DFTのシステム依存の不正確さのために、遷移金属錯体、特にスピン状態エネルギー論（SSE）においては信頼性が低いです。

研究 の 目的:

• 遷移金属SSEにおけるMLのデータ制限に対処するため。
• 正確なSSE予測のためのベンチマークデータセットを作成し、改善されたMLモデルを開発するため。

主な方法:

• 高レベルのCASPT2/CC多参照法を使用して、50個の一価八面体錯体のスピンエネルギーギャップを計算しました。
• 高精度データセットに対してさまざまなDFT法を体系的にベンチマークしました。
• 電子構造ベースの記述子（Des-δ）を導入し、Δ-機械学習（Δ-ML）フレームワークを採用しました。

主要な成果:

• DFTにおけるHartree-Fock交換の最適な割合が、特定のスピン状態遷移に依存することを示しました。
• 新しい記述子を使用したΔ-MLフレームワークで、CASPT2/CCレベルの精度を500個の錯体のより大きなセットに外挿することに成功しました。

結論:

• 開発されたベンチマークデータセットとΔ-MLアプローチは、遷移金属SSEのML予測の信頼性を大幅に向上させます。
• この研究は、遷移金属錯体のSSEを予測する際のDFTの限界を克服するための道筋を提供します。