神经网络组合用于计算H2O + H2O碰撞中的旋转过渡的截面
Bikramaditya Mandal1, Dmitri Babikov2, Phillip C Stancil3
1Department of Chemistry and Biochemistry, University of Nevada, Las Vegas, Nevada 89154, USA. naduvala@unlv.nevada.edu.
这项研究介绍了一种机器学习工具,使用神经网络来预测水分子碰撞率,克服天体物理学中的计算挑战. 这使得富含水的宇宙环境的高效建模成为可能.
科学领域:
- 天体物理学 天体物理学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 水 (H2O) 在天体物理环境中是丰富的.
- 模拟H2O + H2O碰撞是非常重要的,但计算密集.
- 现有的量子力学方法对于复杂的分子系统是难以处理的.
研究的目的:
- 开发一种高效的机器学习工具,用于预测H2O + H2O碰撞中的旋转过渡截面.
- 构建用于天体物理模型的速率系数数据库.
- 克服传统量子力学方法的计算局限性.
主要方法:
- 使用了一种机器学习工具,使用了一组神经网络 (NN).
- 使用的是用混合量子-经典理论 (MQCT) 计算的数据.
- 在大约10%的计算数据上训练有素的NN来预测横截面.
主要成果:
- 对于旋转过渡,NN们准确地插入了12个量子数.
- 在截面预测中实现了0.409的平均相对根平均平方误差.
- 热平均的截面与MQCT计算非常一致 (偏差≤13.5%).
结论:
- 开发的ML方法论在预测分子碰撞率方面是强大而有效的.
- 这种方法可以应用于天体物理学中的其他复杂分子系统.
- 能够准确地建模富含水的天体物理环境.
更多相关视频
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
10:52Line Shape Analysis of Dynamic NMR Spectra for Characterizing Coordination Sphere Rearrangements at a Chiral Rhenium Polyhydride Complex
Published on: July 27, 2022
相关概念视频
Hybridization of Atomic Orbitals II
Network Covalent Solids
To break or to melt a covalent network solid, covalent bonds must be broken. Because covalent bonds are relatively strong, covalent network solids are typically...
Newman Projections
The organic molecules rotate across the single bonds leading to numerous temporary three-dimensional structures of varying energy known as...
Nuclear Overhauser Enhancement (NOE)
2D NMR: Overview of Heteronuclear Correlation Techniques
Hybridization of Atomic Orbitals I
