基于机器学习和DFT的综合框架,用于预测量子受限生物分子纳米管的传输光谱
Debarati Dey Roy1,2, Pradipta Roy3, Debashis De4,5
1Department of Electronics & Communication Engineering, B. P. Poddar Institute of Management & Technology, 137, V. I. P. Road, Kolkata, West Bengal, 700052, India. debaratidey24@gmail.com.
Journal of molecular modeling
|October 13, 2023
概括
机器学习准确地预测了腺纳米管的量子传输光谱,克服了载体反向散射的挑战. 这种生物分子建模方法使得纳米结构的精确电子表征成为可能.
科学领域:
- 计算纳米科学计算纳米科学
- 分子建模分子建模
- 机器学习应用 机器学习应用
背景情况:
- 基于亚第宁的纳米管的理论设计及其传输光谱的研究.
- 量子受限的亚丁胺纳米管在最小的应力下表现出载体传输.
- 由于载体反散效应,预测量子传输光谱存在挑战.
研究的目的:
- 调查和深入研究量子受限生物分子纳米管的传输光谱的预测.
- 通过机器学习实现分子级结构预测和电子表征.
- 解决对内在半导体材料和无机结构现有的预测模型的局限性.
主要方法:
- 机器学习算法框架的开发,用于从纳米管几何形状预测传输光谱.
- 使用回归机器学习算法来分析不同的配置和几何形状.
- 提取原子的局部环境信息,并使用哈密尔顿元件进行电子结构预测.
主要成果:
- 准确的预测传输光谱的量子限制的亚丁胺纳米管.
- 该框架有效地捕捉了影响传输光谱的量子束的微小变化.
- 通过使用小数据集,证明了对亚丁氨酸纳米管的准确算法模型的预测能力.
结论:
- 机器学习为纳米级结构中的电子结构确定提供了快速可靠的方法.
- 拟议的框架在预测量子传输光谱方面提供了更高的准确性.
- 在这种情况下,确定了用于预测模型分析的最佳机器学习算法.
