基于图形卷积神经网络的酸盐保护黄金纳米集群的紫外线吸收光谱的预测
Chenxi Peng1, Pu Wang1, Yong Pei1
1Department of Chemistry, Key Laboratory of Environmentally Friendly Chemistry and Applications of Ministry of Education, Xiangtan University, Hunan Province 411105, China. ypei2@xtu.edu.cn.
Nanoscale
|August 14, 2025
概括
这项研究引入了一个图形卷积神经网络 (GCNN) 来预测黄金纳米集群吸收光谱. 该方法准确预测光学特性,有助于新集群合成和理解结构-活动关系.
科学领域:
- 计算化学是一种计算化学.
- 材料科学 是一种材料科学.
- 纳米技术纳米技术
背景情况:
- 准确预测金纳米集群吸收光谱对于理解结构-活动关系和指导合成至关重要.
- 现有的方法可能需要大量的数据或缺乏预测光学属性的效率.
研究的目的:
- 开发一个图形卷积神经网络 (GCNN) 方法,用于直接预测金纳米集群 (Aun(SR) 的吸收光谱和特性.
- 建立基于图表的纳米集群的原子层结构特征的图形表示.
主要方法:
- 代表金纳米集群作为拓图,结合原子特征,如纽带长度和角度张量.
- 使用GCNN框架直接从图形表示中学习结构-属性关系.
- 开发四种扩展方法来精确预测UV-Vis吸收光谱曲线.
主要成果:
- 在有限的训练数据的情况下,GCNN模型也能准确地预测纳米集群属性.
- 证明了基于图形的黄金纳米集群表征的有效性.
- 展示了GCNN在预测复杂目标,如吸收光谱等方面的能力.
结论:
- 开发的GCNN方法为预测黄金纳米集群吸收光谱提供了准确和高效的方法.
- 这一框架有助于阐明结构-活动关系,并有助于合理设计新的黄金纳米集群.


