面向机器学习原子势能的溶剂化尼罗红光谱性质预测：自动化工作流程
化学物理
2025-10-23 v1
摘要
机器学习原子势能 (MLIPs) 为加速利用ensemble抽样和轨迹后处理来实现理论光谱计算提供了强大的能力，这在传统 ab initio 分子动力学方法中处理声子效应方面非常具有挑战性。我们演示了一个能够高效生成用于溶剂化尼罗红系统的 MLIPs 的工作流程，涉及多种溶剂。我们使用迭代主动学习技术以实现此过程在密度泛函理论 (DFT) 计算数量和规模方面的效率。此外，我们比较了各种方法：为每个绝热态生成不同的 MLIPs，使用一个基态 MLIP 结合 delta-ML 预测激发能，以及使用三个头的多头 ML 模型。为了评估所得模型的有效性，我们将预测的吸收和发射光谱与实验光谱进行比较。我们发现，纳入更大规模的溶剂系统到训练数据中，以及使用 delta 模型预测激发能，能够以相当于基准方法（即本案例中的时依赖 DFT）的准确性，对 UV-Vis 光谱进行精确且经济的预测。
引用
@article{arxiv.2510.19088,
title = {Predicting Spectroscopic Properties of Solvated Nile Red with Automated Workflows for Machine Learned Interatomic Potentials},
author = {Jacob Eller and Nicholas D. M. Hine},
journal= {arXiv preprint arXiv:2510.19088},
year = {2025}
}
备注
12 pages, 3 figures