基于多输出高斯过程的分子光开关数据驱动发现
化学物理
2022-08-09 v3 机器学习
机器学习
摘要
光开关分子表现出两种或更多可用光访问的异构体形式。分离这些异构体的电子吸收带是选择性作用于特定异构体并实现高光稳态的关键，同时整体红移吸收带有助于限制因紫外暴露造成的材料损伤，并增加在光药理应用中的穿透深度。然而，通过合成设计将这些性质引入系统仍是一项挑战。在此，我们提出一种由数据集整理与高斯过程多任务学习支撑的分子光开关数据驱动发现流程。在电子跃迁波长的预测中，我们证明，使用来自四个光开关跃迁波长的标签训练的多输出高斯过程（MOGP）相对于单任务模型具有最强的预测性能，并且在预测所需挂钟时间上优于含时密度泛函理论（TD-DFT）。我们通过筛选一个商业可得光开关分子库，对提出的方法进行了实验验证。通过该筛选，我们识别出若干基序，其异构体具有分离的电子吸收带、呈现红移吸收，并适用于信息传输与光药理应用。我们整理的数据集、代码以及所有模型均发布于 https://github.com/Ryan-Rhys/The-Photoswitch-Dataset。
引用
@article{arxiv.2008.03226,
title = {Data-Driven Discovery of Molecular Photoswitches with Multioutput Gaussian Processes},
author = {Ryan-Rhys Griffiths and Jake L. Greenfield and Aditya R. Thawani and Arian R. Jamasb and Henry B. Moss and Anthony Bourached and Penelope Jones and William McCorkindale and Alexander A. Aldrick and Matthew J. Fuchter Alpha A. Lee},
journal= {arXiv preprint arXiv:2008.03226},
year = {2022}
}
备注
Authors still in discussion about authorship ordering