疏水性各向异性液晶的大规模数据驱动预测
软凝聚态物质
2026-02-20 v1
摘要
我们构建了低分子液晶低频 dielectric 各向异性值的大规模数据集。利用该数据集，我们展示了监督式机器学习模型能够显著提高预测 dielectric 各向异性的准确度（RMSE 为 2.6），与使用来自广泛使用的半经验 AM1 方法（RMSE 为 9.7）和现代 r2SCAN-3c 复合方法（RMSE 为 11.2）从分子属性计算得到的估计值相比较。实现机器学习技术为液晶材料潜在价值所需的是小心精心筛选的数据必须可及，并且基于此，我们提出一种简单且标准的报告数据模板。
引用
@article{arxiv.2602.17382,
title = {Data-Driven Prediction of Dielectric Anisotropy in Nematic Liquid Crystals},
author = {Charles Parton-Barr and Richard J. Mandle},
journal= {arXiv preprint arXiv:2602.17382},
year = {2026}
}