通过使用原子坐标独立描述符的机器学习预测ELNES/XANES光谱,并将其应用于地面电子结构
Po-Yen Chen1, Kiyou Shibata2, Katsumi Hagita3
1Department of Materials Engineering, the University of Tokyo, Tokyo, Japan.
本研究引入了一种机器学习方法,直接预测电子能量损失近边缘结构 (ELNES) 和X射线吸收近边缘结构 (XANES) 频谱,使用简化分子输入线输入系统 (SMILES) 字符串,显著降低计算成本.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 频谱学是一种光谱学.
背景情况:
- 电子能量损失近边缘结构 (ELNES) 和X射线吸收近边缘结构 (XANES) 的光谱揭示了未被占用的电子状态.
- 计算这些光谱需要大量的结构和电子结构计算的计算资源.
- 现有的方法是计算密集型,限制高通量分析.
研究的目的:
- 开发一种机器学习方法,用于直接预测ELNES/XANES频谱.
- 使用原子坐标独立描述器 (SMILES) 进行光谱预测.
- 扩展用于预测基态电子结构的方法,例如状态的部分密度 (PDOS).
主要方法:
- 采用了一种机器学习技术,使用简化分子输入线输入系统 (SMILES) 字符串作为输入.
- 开发了一种原子坐标独立的描述器,用于直接的光谱预测.
- 在一个包含长SMILES分子的数据集上训练模型以提高准确性.
主要成果:
- 从SMILES字符串中实现了ELNES/XANES光谱的直接和精确预测.
- 成功扩展了用于预测地面状态电子结构 (PDOS) 的方法.
- 通过在训练数据中包含更长的SMILES分子,证明了更高的预测准确性.
结论:
- 机器学习方法为ELNES/XANES光谱预测提供了一个计算效率高的替代方案.
- 该方法预测地面电子结构的能力扩大了其适用性.
- 从SMILES字符串中直接导出光谱学可以加速光谱学研究和材料发现.
更多相关视频
07:55Elemental-sensitive Detection of the Chemistry in Batteries through Soft X-ray Absorption Spectroscopy and Resonant Inelastic X-ray Scattering
Published on: April 17, 2018
10:00Energy Dispersive X-ray Tomography for 3D Elemental Mapping of Individual Nanoparticles
Published on: July 5, 2016
相关概念视频
Atomic Emission Spectroscopy: Overview
Atomic Emission Spectroscopy: Instrumentation
Atomic Emission Spectroscopy: Lab
Inductively Coupled Plasma Atomic Emission Spectroscopy: Instrumentation
There are three main types of inductively coupled plasma atomic emission spectroscopy (ICP-AES) instruments: sequential, simultaneous multichannel, and Fourier transform instruments, with the latter being less commonly used....
Atomic Emission Spectroscopy: Interference
Atomic Spectroscopy: Absorption, Emission, and Fluorescence
