MP2 不够好：用于精确 VPT2 频率的迁移学习机器学习模型
摘要
在足够高的量子化学理论水平上计算中小分子的 anarchic 模式以将实验测量的频率分配给相应的分子运动类型，在计算上极具挑战性。本文提出了一种实用且经济的方法，利用从机器学习模型得到的二阶振动微扰理论（VPT2）来计算耦合簇质量的 anarchic 频率。该方法称为“NN + VPT2”，使用高维神经网络（PhysNet）在不同理论水平上学习势能面（PESs），从而可高效确定谐性和 VPT2 频率。NN + VPT2 方法应用于八种中小分子（HCO、trans-HONO、HCOOH、CHOH、CHCHO、CHNO、CHCOOH 和 CHCONH），并报告了在 MP2/aug-cc-pVTZ、CCSD(T)/aug-cc-pVTZ 和 CCSD(T)-F12/aug-cc-pVTZ-F12 理论水平上由 NN 学习模型得到的频率。对于最大的分子以及在最高理论水平上，使用迁移学习（TL）来确定所需的全维、近平衡 PESs。总体而言，对于可用的最高品质 PES，NN + VPT2 给出的 anarchic 频率在实验确定频率的 20 cm 以内（接近 90% 的模式），且对于超过 60% 的模式在 10 cm 以内。对于 MP2 PESs，仅有约 60% 的 NN + VPT2 频率在实验的 20~cm 以内，与实验相比异常值可达 150 cm。还证明了该方法能够对强相互作用模式提供正确指认，例如甲酸单体中的 OH 弯曲和 OH 扭转模式，以及乙酸中的 CO 伸缩和 OH 弯曲模式。
引用
@article{arxiv.2103.05491,
title = {MP2 Is Not Good Enough: Transfer Learning ML Models for Accurate VPT2 Frequencies},
author = {Silvan Käser and Eric Boittier and Meenu Upadhyay and Markus Meuwly},
journal= {arXiv preprint arXiv:2103.05491},
year = {2021}
}
备注
- Results unchanged - Minor rephrasing in Introduction and Methods - Added units on p. 20/21 - Added TL H2CO/CCSD(T)-F12 MAE in Table 1 - Added Acknowledgments and Data availability statement