数据驱动的局部混合函数的改进:基于神经网络的局部混合函数和功率序列相关函数
Artur Wodyński1, Kilian Glodny1, Martin Kaupp1
1Technische Universitát Berlin, Institut für Chemie, Theoretische Chemie/Quantenchemie, Sekr. C7, Straße des 17. Juni 135, Berlin D-10623, Germany.
我们开发了一种数据驱动的方法,通过训练神经网络进行局部混合函数 (n-LMFs) 来创建新的局部混合函数 (LHs). 这大大提高了对主要组元素预测热化学,动力学和非共价相互作用的准确性.
科学领域:
- 计算化学计算化学
- 量子化学 是一个量子化学.
- 材料科学 材料科学 材料科学
背景情况:
- 局部混合函数 (LHs) 使用局部混合函数 (LMF) 结合精确交换 (EXX).
- 由于对价值行为缺乏物理约束,开发精确的LMF一直是具有挑战性的.
- 现有的方法通常需要校准功能来解决诸如标尺问题之类的问题.
研究的目的:
- 为局部混合函数 (LHs) 构建改进的局部混合函数 (LMFs) 开发数据驱动的方法.
- 使用神经网络和meta-GGA特征来训练一种新型的LMF,称为"n-LMF".
- 评估各种化学性质的n-LMFs结合的新型LH函数的性能.
主要方法:
- 训练了一个浅层神经网络,以创建一个新的局部混合函数 (n-LMF) 与元-GGA输入功能.
- 使用W4-17原子化能量和BH76反应障碍物进行训练.
- 将LH20t中的标准LMF替换为n-LMF,以创建LH24n-B95,并使用优化的B97c相关函数将其进一步改进为LH24n,并结合了DFT-D4分散校正.
主要成果:
- 在GMTKN55数据集上,LH24n-B95-D4在GMTKN55数据集上实现了3.49kcal/mol的WTMAD-2值,这比LH20t.
- 精制的LH24n-D4功能达到了3.10kcal/mol的WTMAD-2,这是自相一致的计算中4级功能报告的最低值.
- 新的n-LMF和x-LMF功能有效地消除了局部混合动力车的标尺问题,而不需要校准功能.
结论:
- 训练n-LMF的数据驱动方法提供了一种灵活有效的方法来改善LH功能.
- LH24n-D4代表了一般主要组热化学,动力学和非对应相互作用的最先进的功能.
- 这种方法可以通过对LMF的图形分析来更深入地理解,同时可以进行高效的常规计算.
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
13:56Probe Type II Band Alignment in One-Dimensional Van Der Waals Heterostructures Using First-Principles Calculations
Published on: October 12, 2019
相关概念视频
Hybridization of Atomic Orbitals II
Hybridization of Atomic Orbitals I
Valence Bond Theory and Hybridized Orbitals
A σ bond (single bond in a Lewis structure) is a covalent bond in which the electron density is...
Inductive Effects on Chemical Shift: Overview
Predicting Molecular Geometry
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
