分子几何学对深度学习的影响 预测反转单元三元差距的预测

科学领域:

• 计算化学的计算化学
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 准确预测单点-三点差距对于识别具有特定光电子特性的新材料至关重要.
• 传统的量子化学方法对于大规模选可能是计算上昂贵的.
• 开发高效的计算模型对于加速材料发现至关重要.

研究的目的:

• 开发和验证一个深度学习模型来预测激发的单元-三元差距.
• 使用开发的模型,识别潜在的反转单元三元组 (IST) 候选者.
• 为了评估模型在不同层次的几何近似的性能.

主要方法:

• 利用球形消息传递图形神经网络进行3D分子表示.
• 在约40,000个密度函数理论 (DFT) 几何形状上训练了模型,具有ADC(2) /cc-pVDZ单元-三元差距.
• 在DFT,GFN2-xTB和分子力学中的几何学测试集上评估模型性能.

主要成果:

• 在高质量的 DFT 几何形状上获得了大约 20 meV 的平均绝对误差 (MAE).
• 在低质量的几何形状下观察到性能降低 (GFN2-xTB MAE ≈ 50 meV,MM MAE ≈ 180 meV).
• 在单独的数据集上进行的定性评估显示,其性能与用于识别IST候选物质的量子化学方法相美.

结论:

• 深度学习模型在预测单元-三元差距方面表现出很高的准确性,特别是在高质量的输入几何学方面.
• 该模型的性能对用于预测的分子几何质量的质量敏感.
• 这种人工智能方法为选和识别潜在的IST材料提供了一个有希望和高效的替代方案.