从球形张量分解中预测中的固态NMR参数的图形神经网络预测
Chiheb Ben Mahmoud1, Louise A M Rosset1, Jonathan R Yates2
1Inorganic Chemistry Laboratory, Department of Chemistry, University of Oxford, Oxford OX1 3QR, United Kingdom.
机器学习 (ML) 通过学习材料的张量属性来增强核磁共振 (NMR) 预测. 这种方法提高了化学转移和其他NMR参数的准确性,有助于结构分析.
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:
- 核磁共振 (NMR) 对于确定局部原子结构至关重要.
- 对NMR参数的计算预测有助于解释实验数据和验证结构模型.
- 机器学习 (ML) 为这些NMR预测提供了一种有效的方法.
研究的目的:
- 系统地研究图形神经网络 (GNN) 在固态NMR中表示和学习张量方法.
- 评估ML模型准确度对预测关键NMR特性的影响.
- 将ML模型应用于各种材料系统,包括无形和动态过程.
主要方法:
- 利用图形神经网络 (GNN) 学习异型磁屏蔽和电场梯度张量.
- 评估了化学转移,四极合常数,张量定向和2DNMR光谱的预测质量.
- 将ML模型应用于无形SiO2配置和cristobaliteα-β反转的动态.
主要成果:
- 证明了GNN在预测固态NMR张量方面的有效性.
- 展示了数值ML精度的转化为实验相关的NMR属性的高质量预测.
- 成功地将ML模型应用于复杂的大型材料结构和动态过程.
结论:
- 这项研究推进了对静态和动态材料行为的ML驱动的NMR预测.
- 这项工作弥合了第一原则建模和实验NMR数据之间的差距.
- 精简的ML方法正在为使用NMR光谱学更有效地分析复杂材料铺平道路.
更多相关视频
14:55Atomic Scale Structural Studies of Macromolecular Assemblies by Solid-state Nuclear Magnetic Resonance Spectroscopy
Published on: September 17, 2017
09:37Imine Metathesis by Silica-Supported Catalysts Using the Methodology of Surface Organometallic Chemistry
Published on: October 18, 2019
相关概念视频
Two-Dimensional (2D) NMR: Overview
The first step is the preparation period, during which nucleus A is excited with a radiofrequency pulse....
Predicting Molecular Geometry
NMR Spectroscopy: Spin–Spin Coupling
NMR Spectrometers: Resolution and Error Correction
2D NMR: Overview of Homonuclear Correlation Techniques
COSY90 is the standard two-dimensional (2D) COSY experiment that...
NMR Spectrometers: Overview
