使用DFT和贝叶斯优化与神经网络内核快速发现具有所需吸收光谱的石墨烯纳米片
Şener Özönder1, Hatice Kübra Küçükkartal2,3
1Institute for Data Science & Artificial Intelligence, Boğaziçi University, İstanbul 34342, Turkey.
The journal of physical chemistry. A
|May 8, 2025
概括
这项研究介绍了使用贝叶斯优化和神经网络寻找新材料的更快,更便宜的方式. 该方法显著降低了发现具有特定性质的材料的计算成本.
科学领域:
- 计算材料科学 计算材料科学
- 化学领域的人工智能
- 发现材料的发现.
背景情况:
- 发现具有理想性质的新材料通常需要使用密度函数理论 (DFT) 等方法进行计算昂贵的网格搜索.
- 高维化学空间使得详尽的搜索在计算上是不可行的.
研究的目的:
- 开发一个高效和成本效益的指导式搜索策略,用于探索大型化学空间.
- 为了最大限度地减少材料发现所需的计算密集计算的数量.
主要方法:
- 使用贝叶斯优化 (BO) 与人工神经网络内核集成.
- 在有限的DFT结果集上训练了内核神经网络,以指导后续的探索.
- 应用了一种方法来识别具有最大光吸收的杂石墨烯量子点 (GQD).
主要成果:
- 实现了显著的计算成本降低 (约. 80%) 与完整的网格搜索相比.
- 仅使用12个时间依赖的DFT (TDDFT) 计算,成功识别了高吸光的GQD结构.
- 证明了该方法在加速物质发现的有效性,用于化GQDs.
结论:
- 使用神经网络内核提出的贝叶斯优化方法为材料发现提供了可扩展和高效的解决方案.
- 这种方法可以广泛应用于加快在复杂化学空间中寻找新药,化学品,晶体和合金的搜索.
