纳米金刚石前线轨道能量的机器学习
化学物理
2024-04-23 v2 材料科学
机器学习
摘要
纳米金刚石具有包括催化、传感、摩擦学和生物医学在内的广泛应用。为通过机器学习助力纳米金刚石设计，我们引入了新数据集 ND5k，包含 5,089 个金刚石烃与纳米金刚石结构及其前线轨道能量。ND5k 结构通过紧束缚密度泛函理论（DFTB）优化，其前线轨道能量使用带 PBE0 杂化泛函的密度泛函理论（DFT）计算。我们还比较了近期用于预测类似结构前线轨道能量的机器学习模型（在 ND5k 上的插值），并测试它们向外推至更大结构的预测能力。在插值和外推任务中，我们发现使用等变图神经网络 PaiNN 性能最佳。次优结果由采用此处提出的定制原子描述符集的消息传递神经网络取得。
引用
@article{arxiv.2210.07930,
title = {Machine learning frontier orbital energies of nanodiamonds},
author = {Thorren Kirschbaum and Börries von Seggern and Joachim Dzubiella and Annika Bande and Frank Noé},
journal= {arXiv preprint arXiv:2210.07930},
year = {2024}
}