通过机器学习预测分子第二次超极化的极化性和数量顺序
Guoxiang Zhao1,2, Weiyin Yan1,2, Zirui Wang1,3
1State Key Laboratory of Structural Chemistry, Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences, 350002 Fuzhou, Fujian, P.R. China.
一个新的机器学习模型准确地预测了分子极化性和二次超极化性. 虽然它对这些属性有效,但它无法预测二极点,突出显示了计算化学未来发展的领域.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 量子力学就是量子力学.
背景情况:
- 确定分子极化性和超极化性需要复杂的量子力学计算.
- 关键参数包括激发能量,过渡二极极时刻和基态和激发状态之间的二极时刻差异.
研究的目的:
- 开发和训练一种机器学习 (ML) 模型,用于预测分子偏振性和二次超偏振性.
- 用状态密度作为输入来评估ML模型的性能.
- 探索ML在高效大规模分子查方面的潜力.
主要方法:
- 在QM9数据集的一个子集上开发和训练了一种机器学习模型.
- 状态密度被用作模型的输入特征.
- 模型预测与已知的极化和超极化值进行了比较.
主要成果:
- ML模型成功估计了分子极化性.
- 该模型准确地预测了第二阶段超极化性的大小顺序.
- 该模型未能预测二极子时刻和第一阶段超极化性,这表明捕捉二极子时刻差异的局限性.
结论:
- 机器学习为预测某些分子性质提供了传统量子力学方法的计算效率高的替代方案.
- 开发的模型显示出对具有所需极化性特征的分子进行大规模选的前景.
- 需要进一步细化模型,以准确预测二极点时刻和第一阶段超极化.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
相关概念视频
03:37Molecular Shape and Polarity
02:36Molecular Geometry and Dipole Moments
01:29Potential Due to a Polarized Object
02:27Predicting Molecular Geometry
02:48Bond Polarity, Dipole Moment, and Percent Ionic Character
03:51Molecular Orbital Theory II