利用配体可加性实现已知过渡金属配合物配体多参考特征的迁移机器学习
材料科学
2022-05-09 v1 机器学习
化学物理
摘要
由于高多参考(MR)特征的可能性使性质评估复杂化，过渡金属配合物(TMCs)的准确虚拟高通量筛选(VHTS)仍然具有挑战性。我们计算了剑桥结构数据库(CSD)中先前合成的过渡金属配合物里超过5000个配体的MR诊断量。为完成此任务，我们引入了一种迭代方法，用于CSD中配体电荷的一致分配。在该集合中，我们观察到MR特征与分子中所有键的平均键级倒数呈线性相关。随后我们证明MR特征在TMCs中具有配体可加性，这表明TMC的MR特征可由各配体MR特征之和推断。受此观察鼓舞，我们利用配体可加性并开发了一种配体衍生的机器学习表示，训练神经网络从组成配体的性质预测TMCs的MR特征。该方法所得模型性能优异，且对未见过的配体化学与组成具有优越的迁移能力。
引用
@article{arxiv.2205.02879,
title = {Exploiting Ligand Additivity for Transferable Machine Learning of Multireference Character Across Known Transition Metal Complex Ligands},
author = {Chenru Duan and Adriana J. Ladera and Julian C. -L. Liu and Michael G. Taylor and Isuru R. Ariyarathna and Heather J. Kulik},
journal= {arXiv preprint arXiv:2205.02879},
year = {2022}
}