结合 SchNet 与 SHARC：用于激发态动力学的 SchNarc 机器学习方法
化学物理
2021-03-15 v1 机器学习
机器学习
摘要
近年来，深度学习已成为我们日常生活的一部分，并也在革新量子化学。本工作中，我们展示了如何通过深度学习学习光动力学模拟的所有重要性质，以推进光化学研究领域。这些性质包括多重能量、力、非绝热耦合和自旋轨道耦合。非绝热耦合以无相位方式作为深度学习模型虚拟构造性质的导数被学习，从而保证了旋转协变性。此外，基于势能、其梯度与 Hessian 矩阵，引入了一种非绝热耦合的近似。作为深度学习方法，我们采用扩展至多电子态的 SchNet。结合分子动力学程序 SHARC，我们所称的 SchNarc 方法在一个模型系统和两个真实多原子分子上进行了测试，并为复杂体系的高效光动力学模拟铺平了道路。
引用
@article{arxiv.2002.07264,
title = {Combining SchNet and SHARC: The SchNarc machine learning approach for excited-state dynamics},
author = {Julia Westermayr and Michael Gastegger and Philipp Marquetand},
journal= {arXiv preprint arXiv:2002.07264},
year = {2021}
}