利用化学可迁移机器学习势研究大型光开关分子的非绝热激发态动力学
化学物理
2022-10-12 v3 机器学习
摘要
光诱导化学过程在自然界中无处不在，并具有广泛的技术应用。例如，光异构化可使带有如偶氮苯等光开关骨架的药物被光激活。原则上，具有所需光物理特性（如高异构化量子产率）的光开关可通过反应模拟的虚拟筛选来识别。实际上，这些模拟很少用于筛选，因为它们需要数百条轨迹和昂贵的量子化学方法来考虑非绝热激发态效应。在此，我们引入一种基于绝热态的绝热人工神经网络（DANN）来加速偶氮苯衍生物此类模拟。该网络比用于训练的量子化学方法快六个数量级。DANN 可迁移到训练集之外的偶氮苯分子，对未见分子的量子产率的预测与实验相关。我们利用该模型虚拟筛选了 3100 个假设分子，并识别出具有极高预测量子产率的新型分子。模型预测使用高精度非绝热动力学得到确认。我们的结果为光活性化合物的快速准确虚拟筛选铺平了道路。
引用
@article{arxiv.2108.04879,
title = {Excited state, non-adiabatic dynamics of large photoswitchable molecules using a chemically transferable machine learning potential},
author = {Simon Axelrod and Eugene Shakhnovich and Rafael Gómez-Bombarelli},
journal= {arXiv preprint arXiv:2108.04879},
year = {2022}
}