深度学习用于暗物质直接探测的最优分子荧光剂

对次 GeV 暗物质的直接探测受限于靶材的固有量子特性。本证据概念研究表明，这一问题特别适合机器学习。我们展示了由变分自编码器和多层感知器构成的简单神经网络，能够高效地生成具有所需属性的独特分子。在具体而言，能量阈值和信号（量子）效率决定了探测器可敏感的最低质量和横截面。有机分子作为一类具有内在各向异性电子响应和 O(few) eV 激发能的有趣材料。然而，可能的有机化合物空间庞大而难以遍历，这使得传统数据库筛选具有挑战性。我们采用激发能和代理转移矩阵元作为网络学习的目标属性。我们的模型能够生成甚至不在最广泛量子化学数据库中的分子，并预测其相关属性，以实现高通量和高效筛选。在大量生成新型分子后，我们使用聚类分析识别出一些最具前景的分子结构，这些结构优化了暗物质探测所需的分子属性。