将共轭聚合物光谱预测作为序列生成问题：循环神经网络的解决方案
无序系统与神经网络
2019-09-10 v1 材料科学
摘要
共轭聚合物的粗粒化模拟已成为研究有机光伏器件物理的流行方法。尽管紫外-可见光谱仍是探究这些器件的关键实验方法之一，但粗粒化模拟与光谱学之间的严格桥梁从未建立。在此，我们通过开发一种直接从粗粒化表示预测共轭聚合物光谱的方法来应对这一挑战，同时避免了诸如从粗粒化到原子表示的逆向映射（back-mapping）后再用标准量子化学方法计算光谱之类的临时步骤。我们的方法基于一个生成式深度学习模型：长短期记忆循环神经网络（LSTM-RNN），其动机源于自然语言与由于聚合物构象微小涨落引起的激发态能量微扰展开式的数学结构之间的明显相似性。我们使用该模型展示了在粗粒化表示下与逆向映射后获得的光谱之间存在危险的差异。这表明标准协议可能需要额外的微调才能变得可靠，并且我们的模型提供了一种新颖工具，特别适合改进逆向映射协议以及在粗粒化势的开发中纳入光谱数据。
引用
@article{arxiv.1909.03549,
title = {Prediction of optical spectra of coarse-grained polymers as a sequence generation problem: the Recurrent Neural Networks solution},
author = {Lena Simine and Thomas C. Allen and Peter J. Rossky},
journal= {arXiv preprint arXiv:1909.03549},
year = {2019}
}