向反应容器模拟:机器学习辅助的烯聚合及其可转移性的自动探索.
Sagar Ghorai1, Ruben Staub1, Yu Harabuchi1
1Institute for Chemical Reaction Design and Discovery (WPI-ICReDD), Hokkaido University, Sapporo, Hokkaido 001-0021, Japan.
代训练的三角学习神经网络潜能 (ΔNNP) 准确预测反应动力学和产品. 这种方法增强了复杂化学反应的自动探索,模仿真实世界的条件.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 准确的反应动力学和产品预测对于模拟化学反应至关重要.
- 半经验方法提供了速度,但缺乏准确性,而DFT方法是准确的,但计算成本昂贵.
- 现有的方法在对复杂的反应系统进行高效的探索和可靠的预测方面扎.
研究的目的:
- 为了证明代训练的优点,三角学习神经网络潜力 (ΔNNP) 用于自动反应路径探索.
- 通过使用计算高效的方法,在预测反应动力学和产品方面实现DFT级准确性.
- 建立一个强大的框架,在现实的反应容器中模拟复杂的化学反应.
主要方法:
- 代训练一个三角学习神经网络潜力 (ΔNNP),以学习DFT和半经验方法之间的能量差异.
- 使用由[ZrCp2CH3]+催化剂催化的乙烯聚合作为模型系统.
- 应用受过训练的ΔNNP来探索涉及不同数量的乙烯分子的反应路径网络,并结合共催化剂效应.
主要成果:
- 在乙烯聚合过程中,ΔNNP实现了DFT级准确度的反应动力学和产品预测.
- 该模型成功地捕获了关键的基本步骤,包括启动,传播和终止.
- 该框架表现出适应烯聚合和ZrCp2-介导化学的适应性,如金属循环形成,需要最小的额外培训.
结论:
- 代 ΔNNP 培训为自动反应路径探索和产品预测提供了一种强大而高效的方法.
- 这一框架显著提高了模拟复杂化学反应和聚合物生长过程的能力.
- 该方法提供了一个可扩展的解决方案,用于研究反复类似的基本步骤的反应,为更准确的模拟铺平了道路.
更多相关视频
06:49Atom Transfer Radical Polymerization of Functionalized Vinyl Monomers Using Perylene as a Visible Light Photocatalyst
Published on: April 22, 2016
06:55Synthesis of Cyclic Polymers and Characterization of Their Diffusive Motion in the Melt State at the Single Molecule Level
Published on: September 26, 2016
相关概念视频
Free-Radical Chain Reaction and Polymerization of Alkenes
Olefin Metathesis Polymerization: Acyclic Diene Metathesis (ADMET)
Similar to cross-metathesis, ADMET also involves the formation of metallacyclobutane intermediate by [2+2] cycloaddition of one of the double bonds of a terminal diene with...
Olefin Metathesis Polymerization: Overview
Ruthenium-based Grubbs catalyst is the most commonly used catalyst for olefin metathesis polymerization. Grubbs catalyst consists of a...
Radical Chain-Growth Polymerization: Mechanism
Olefin Metathesis Polymerization: Ring-Opening Metathesis Polymerization (ROMP)
Radical Chain-Growth Polymerization: Chain Branching
