基于 SchNarc 的紫外吸收谱深度学习：化合物空间中可迁移性的初步探索
化学物理
2021-03-16 v1 机器学习
摘要
机器学习（ML）已显示出在几乎所有可能的方向上推进量子化学研究领域，并且最近也进入了激发态以研究分子的多面光化学。在本文中，我们追求两个目标：i) 我们展示如何通过改进 [Chem. Sci., 2017, 8, 6924-6935] 的电荷模型（该模型最初为电子基态的永久偶极矩矢量提出）来使用 ML 建模激发态的永久偶极矩和跃迁偶极矩。ii) 我们研究我们的激发态 ML 模型在化学空间中的可迁移性，即一个 ML 模型是否可以预测其从未训练过的分子的性质，以及它是否可以同时学习两个分子的不同激发态。为此，我们采用并扩展了我们先前报道的用于激发态 ML 的 SchNarc 方法。我们根据激发态能量和跃迁偶极矩计算紫外吸收谱，并根据由永久偶极矩矢量的 ML 模型推断的潜电荷计算静电势。我们在 CHNH 和 CH 上训练 ML 模型，同时对这些分子以及额外的 CHNH、CHNH 和 CH 进行预测。结果表明激发态的可迁移性是可能的。
引用
@article{arxiv.2007.07684,
title = {Deep Learning for UV Absorption Spectra with SchNarc: First Steps Towards Transferability in Chemical Compound Space},
author = {Julia Westermayr and Philipp Marquetand},
journal= {arXiv preprint arXiv:2007.07684},
year = {2021}
}