研究目的
开发和评估用于预测分子激发光谱的深度学习方法(采用神经网络),旨在克服传统光谱学和理论方法在时间和成本上的限制。
研究成果
深度神经网络能够准确预测分子激发光谱,其中DTNN模型表现最佳(均方根误差为0.19电子伏特,光谱误差为3%)。该方法可快速筛选大型分子数据库,助力材料科学与光谱学应用,并有望未来拓展至逆向预测及更高精度数据领域。
研究不足
该研究采用Kohn-Sham能谱(近似值,可能无法完全反映真实激发能)。光谱度量对峰位敏感,可能忽略更宽泛的光谱形态。目前该方法仅适用于有机分子,或需扩展至GW计算、实验数据等更高精度数据集。
1:实验设计与方法选择:
本研究比较了三种神经网络架构(MLP、CNN、DTNN)从原子坐标和电荷中学习分子激发光谱的能力。采用贝叶斯优化进行超参数调优,使用Adam更新方案的反向传播进行训练。
2:样本选择与数据来源:
所用数据集为QM7b和QM9,分别包含6k和132k个有机分子。分子通过PBE+vdW密度泛函进行优化,激发能从最高的16个占据特征值计算得出,并展宽为态密度光谱。另使用10k个非对映异构体数据集进行应用测试。
3:实验设备与材料清单:
使用Aalto Science-IT项目的计算资源。软件包括用于量子力学计算的FHI-aims代码。
4:实验流程与操作步骤:
神经网络在90%的数据上进行训练,其余数据分为验证集和测试集。输入为通过库仑矩阵或原子坐标表示的分子结构。使用RMSE和R2指标进行光谱预测与评估。
5:数据分析方法:
使用均方根误差(RMSE)和平方相关系数(R2)评估激发能性能,使用相对光谱误差(RSE)进行光谱比较。
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