基于机器学习的液态水分子的偶极矩推断
化学物理
2021-05-17 v2 软凝聚态物质
摘要
液态水中的分子偶极矩是一项引人关注的属性，部分原因在于不存在将总电子密度划分至各个分子贡献的唯一方式。规避此问题的主流方法是使用最大局域化 Wannier 函数，其通过对占据分子轨道进行幺正变换并最小化 Boys 展布函数来实现。本文采用一种满足两个物理约束的数据驱动方法重新审视该问题，即：i) 原子电荷的位移正比于 Berry 相极化；ii) 每个水分子具有零形式电荷。结果表明，由潜变量推断的液态水分子偶极矩分布与最大局域化 Wannier 函数所得分布惊人地相似。除为既有方法附上最大似然注脚外，本工作凸显了基于图卷积的电荷模型的能力以及物理约束对提升可解释性的重要性。
引用
@article{arxiv.2103.08274,
title = {Machine Learning Inference of Molecular Dipole Moment in Liquid Water},
author = {Lisanne Knijff and Chao Zhang},
journal= {arXiv preprint arXiv:2103.08274},
year = {2021}
}