受物理启发的分子激发与光发射谱深度学习
化学物理
2021-07-14 v2
摘要
现代功能材料由具有显著化学复杂性的大型分子构筑块组成，这限制了用精确第一性原理方法预测光谱性质。因此，若无跨化学空间预测分子激发态性质的高效方法，通过高通量筛选定向设计具有定制光电子性质的材料必然失败。本工作中，我们提出一种深度神经网络，可预测具有丰富元素多样性和较大尺寸（远超精确多体微扰理论计算可及范围）的复杂有机分子的带电准粒子激发。该模型利用分子共振作为潜在哈密顿矩阵本征值的基本底层物理，从而能同时准确描述多个共振。该模型性能在跨越化学组成空间与构型空间的一系列有机分子上得到展示。我们进一步通过以 GW 近似水平预测此前未见共轭分子的光发射谱来展示模型能力。
引用
@article{arxiv.2103.09948,
title = {Physically inspired deep learning of molecular excitations and photoemission spectra},
author = {Julia Westermayr and Reinhard J. Maurer},
journal= {arXiv preprint arXiv:2103.09948},
year = {2021}
}
备注
23 pages, 12 figures