用于极化化学的机器学习：触及化学动力学
摘要
在受限光学环境中改变化学反应性与材料结构正日益兴起，然而对其微观机制的确定性理解仍难以达成。这主要源于以下事实：准确预测现实分子溶液系的振动与反应动力学并非易事，而加入（集体）强光-物质相互作用更使问题复杂化。本文建立了一个基于机器学习（ML）模型与分子动力学相结合的框架，其中 ML 模型使用密度泛函理论计算进行训练，以加速此类模拟。我们随后将该方法应用于评估 1-苯基-2-三甲基硅基乙炔脱保护反应中的强耦合、反应速率常数变化及其对焓与熵的影响，该反应此前已通过实验与 ab initio 模拟被研究过。我们发现与关键实验观测在定性上一致，尤其在动力学变化方面，同时也发现与先前理论预测存在差异。ML 加速模拟与 ab initio 模拟一致的特征展现了实验估计的动力学行为。相冲突的特征表明，动态电子极化对反应过程的贡献比当前所认为的更为相关。我们的工作展示了 ML 在极化化学中的实际用途，讨论了常用近似的局限性，并为更整体地描述极化化学铺平了道路。
引用
@article{arxiv.2311.09739,
title = {Machine Learning for Polaritonic Chemistry: Accessing chemical kinetics},
author = {Christian Schäfer and Jakub Fojt and Eric Lindgren and Paul Erhart},
journal= {arXiv preprint arXiv:2311.09739},
year = {2024}
}
备注
Added: detailed evaluation of the vibrational frequencies; reruns of Figure 4 for different coupling values; additional results using a smaller (6-31G*) basis; revised, corrected, and extended Figure 3 with additional discussion (including Si--C contributions); more computational details; overall improvements; NEP model available via Zenodo [https://doi.org/10.5281/zenodo.10255268]