增强化学直观的特征学习,以提高光学属性的预测性能
Ming Sun1, Caixia Fu1, Haoming Su1
1College of Chemistry, Sichuan University Chengdu 610064 People's Republic of China xmpuscu@scu.edu.cn luzhiyun@scu.edu.cn.
研究人员开发了一个深度学习 (DL) 框架,以准确预测发射器的光学特性. 这种新的方法增强了子图的学习,以便在各种应用中更快,更可靠地发现材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 发射器的光学性能对于各种应用至关重要.
- 对这些属性的准确和快速预测是非常理想的.
- 现有的方法可能缺乏效率或准确性,数据有限.
研究的目的:
- 开发一个最先进的深度学习 (DL) 框架,用于预测发射器的光学特性.
- 以化学直观的子图和边缘学习来增强传递信息的神经网络 (MPNN).
- 整合先前的领域知识,以在有限的数据集上提高性能.
主要方法:
- 开发了一个DL框架,在MPNN中增强子图和边缘学习.
- 结合先进的学习技术与先前的领域知识.
- 在五个不同的光学数据集上训练并验证了模型.
主要成果:
- DL模型显著超过了八个竞争性机器学习 (ML) 模型.
- 在预测四个关键光学性质方面取得了迄今为止最高的准确性.
- 在不同数据集中展示了强度和概括性.
结论:
- 开发的DL框架为光学属性提供了一个快速可靠的预测工具.
- 基于模型预测,成功合成和描述了一种新的深蓝色发光分子 (PPI-2TPA).
- 证实了设计新型发射器的实际应用潜力.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
相关概念视频
Inductive Effects on Chemical Shift: Overview
Predicting Molecular Geometry
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
Properties of Enantiomers and Optical Activity
UV–Vis Spectroscopy of Conjugated Systems
One of the factors influencing λmax is the extent...
Predicting Reaction Outcomes
