星际多环芳香烃红外光谱的机器学习预测
星系天体物理
2020-10-20 v1 天体物理仪器与方法
太阳与恒星天体物理
摘要
我们设计并训练了一个神经网络（NN）模型，以比第一性原理计算所需成本低多个数量级的计算代价高效预测星际多环芳香烃（PAHs）的红外光谱。该神经网络的输入基于从分子骨架式提取的 Morgan 指纹，不需要诸如原子间距离之类的精确几何信息。该模型对样本外输入表现出优异的预测能力，使其适用于改进当前用于理解星际介质化学组成与演化的混合模型。我们还识别了由训练数据有限多样性导致的适用性约束，并利用在数据子集上训练的 NN 集成估计预测误差。借助随机森林等其他机器学习方法，我们剖析了不同化学特征在该预测中的作用。这些拓扑描述符的能力通过以库仑矩阵特征值形式加入详细几何信息影响有限得以证明。
引用
@article{arxiv.2010.09150,
title = {Machine-learning prediction of infrared spectra of interstellar polycyclic aromatic hydrocarbons},
author = {Peter Kovacs and Xiaosi Zhu and Jesus Carrete and Georg K. H. Madsen and Zhao Wang},
journal= {arXiv preprint arXiv:2010.09150},
year = {2020}
}
备注
8 figures