相关实验视频
Updated: May 16, 2025

Photoelectron Imaging of Anions Illustrated by 310 Nm Detachment of F−
Published on: July 27, 2018
机器学习潜在能量表面在光解离过程中的影响
Joaquin de la Cerda1, Johan F Triana1
1Department of Physics, Universidad Católica del Norte, Av. Angamos 0610, Antofagasta, Chile.
机器学习潜在能量表面 (ML-PES) 显示了量子分子动力学的前景,准确地预测了弗兰克-康登地区附近半重水的解离概率. 对于复杂的高能动态,标准的插值方法仍然更有效.
科学领域:
- 计算化学计算化学
- 量子动力学 量子动力学是什么?
- 机器学习应用 机器学习应用
背景情况:
- 多态量子分子动力学为化学反应预测提供了高精度.
- 对潜在能量表面 (PES) 的初始计算在计算上昂贵,特别是在较大的系统中.
- 机器学习 (ML) 为计算分子性质提供了一个资源高效的替代方案.
研究的目的:
- 评估ML插入的PES在解决水光动力学的时间依赖的施罗丁格方程中的准确性.
- 统计分析一开始数据集大小对ML-PES准确度的影响.
- 为了将ML-PES性能与IR+UV破解过程的分析解决方案进行比较.
主要方法:
- 量子分子动力学模拟使用ML插入的潜在能量表面.
- 对预期值和分离概率的统计分析.
- 与精确的光动力学解决方案进行比较,这些解决方案来自对基和激发电子状态的分析表达式.
主要成果:
- 在法兰克-康登地区,ML-PES显示出适用于动态计算的适用性.
- 对于离散和排斥的电子状态区域,标准的插值方法被证明更有效.
- 开始点的数量显著影响了ML-PES对动态的准确性.
结论:
- ML-PES可以有效地集成到分子动力学中,以降低计算成本,准确地预测分离产量.
- 需要仔细考虑在高能耗地区的ML模型限制.
- 这项工作推进了ML在多态动态计算中的应用.
更多相关视频
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
相关概念视频
Molecular Spectroscopy: Absorption and Emission
Deactivation Processes: Jablonski Diagram
Arrhenius Plots
The Arrhenius equation can...
Potential Energy
Chemical bonds that form attractive forces between atoms also contain potential energy, called chemical energy. When a chemical reaction...
UV–Vis Spectroscopy: Molecular Electronic Transitions
Photochemical Electrocyclic Reactions: Stereochemistry
Selection Rules: Photochemical Activation