研究目的
研究利用深度学习准确预测低聚噻吩(OTs)的各种电子性质,包括其HOMO和LUMO能量、激发态能量及相关跃迁偶极矩,以解决有机半导体光电性质建模的计算难题。
研究成果
深度学习方法,尤其是SchNet,能够以与TDDFT相当的精度预测有机太阳能电池(OSCs)的电子特性。即使分子尺寸增大,SchNet仍能保持卓越性能,在处理大分子或训练数据有限等困难情况时尤其优于浅层前馈神经网络。该研究表明,SchNet在模拟OSCs激子动力学方面具有应用前景,并为电子光谱的常规计算开辟了道路。
研究不足
跃迁偶极预测的准确性可能受到激发态电荷转移特性的影响。训练深度神经网络的计算成本较高,需要昂贵的硬件和较长的训练时间。
1:实验设计与方法选择:
采用高温气相分子动力学模拟生成非平衡分子构型,随后通过量子化学计算获取这些构型的量子特性,利用量子特性数据集训练深度神经网络模型。
2:样本选取与数据来源:
从采用OPLS/2005力场的经典分子动力学模拟中提取有机三硫代碳酸酯的非平衡构型,对这些构型进行量子化学计算以生成目标量子特性数据集。
3:实验设备与材料清单:
Desmond 3.6软件包用于分子动力学模拟,PySCF程序用于量子化学计算。
4:6软件包用于分子动力学模拟,PySCF程序用于量子化学计算。
实验流程与操作步骤:
4. 实验流程与操作步骤:在NVT系综中以1000K温度进行分子动力学模拟,采用CAM-B3LYP泛函和6-31+G(d)基组的密度泛函理论计算最高占据分子轨道(HOMO)与最低未占分子轨道(LUMO)能量,通过Tamm-Dancoff近似下的含时密度泛函理论计算单重激发态能量及相应跃迁偶极矩。
5:数据分析方法:
评估所选深度神经网络在有机三硫代碳酸酯的HOMO能量、LUMO能量、HOMO-LUMO能隙及第一激发态能量等指标上的表现。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容