文献

J-GLOBAL ID：201702267219953325   整理番号：17A0937258

ニューラルネットワークを用いた遷移金属錯体の電子構造特性の予測【Powered by NICT】

Predicting electronic structure properties of transition metal complexes with neural networks

著者 (2件)： Janet Jon Paul (Department of Chemical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA. [e-mail]) ,  Kulik Heather J.
資料名： Chemical Science (Web)  (Chemical Science (Web))
巻： 8  号： 7  ページ： 5137-5152  発行年： 2017年 
JST資料番号： U7042A  ISSN： 2041-6539  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ハイスループット計算スクリーニングは,材料発見の重要な要素として出現した。無機材料と分子遷移金属錯体の直接密度汎関数理論(DFT)シミュレーションは,無機結合とスピン状態秩序化の微妙な傾向を記述するためしばしば用いられるが,これらの計算は計算機的に高価で特性を用いた交換-相関汎関数に敏感であった。これらの困難な課題を克服するために,量子力学的に派生特性,スピン状態秩序化,Hartree-Fock交換への感受性,および遷移金属錯体におけるスピン状態特異的結合長さを予測するための人工ニューラルネットワーク(ANN)を訓練した。著者らのANNは最大移動可能であることを無機化学適切な経験的入力の小さなセット上で訓練されると予測のための正確な三次元構造情報を必要としない。これらのディスクリプタを用いて,著者らのANNは,任意の量のHartree-Fock交換の単一サイト遷移金属錯体(すなわち,Cr-Ni)のスピン状態分裂を予測する3kcal/mol~ 1精度DFT計算の内にある。交換感度ANNは,半局所DFTからの外挿ハイブリッドDFTによる多様なテストセット特徴を明らかにした遷移金属錯体の改良された予測を可能にする。ANNは,他の機械学習モデル(すなわち,サポートベクトル回帰とカーネルリッジ回帰)よりも優れており,移行性において特に改善された性能を実証し,多様な試験セットの予測誤差で測定した。計算化学におけるANN予測不確実性を推定するための新しい不確実性定量化ツールの価値を確立し,著者らは,関心のある化合物であるANN(人工ニューラルネットワーク)による予測では貧弱である可能性が高い場合の同定のための付加的な発見的方法を提供した。本研究で開発したANNは,直接ANN予測と第一原理シミュレーションによる検証のための改善された構造発生をスクリーニング遷移金属錯体のための戦略を提供した。Copyright 2017 Royal Society of Chemistry All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 計算化学 ,  第一原理 ,  計算 ,  *予測 ,  密度汎関数法 ,  *ニューラルネットワーク ,  汎関数 ,  スクリーニング ,  不確実性 ,  *遷移金属錯体 ,  感受性 ,  発見的方法 ,  *構造特性
準シソーラス用語： 三次元構造 ,  スピン状態 , 【Automatic Indexing@JST】

分類 (2件)： 第11族,第12族元素の錯体  (CE01050Y) ,  その他の触媒  (CB06123Z)

タイトルに関連する用語 (5件)： ニューラルネットワーク ,  遷移金属錯体 ,  電子 ,  構造特性 ,  予測