SchNetとSHARCの結合:励起状態動力学のためのSchNarc機械学習アプローチ【JST・京大機械翻訳】

Westermayr Julia; Gastegger Michael; Marquetand Philipp

プレプリント

J-GLOBAL ID：202202200831944246 整理番号：21P0024634

SchNetとSHARCの結合:励起状態動力学のためのSchNarc機械学習アプローチ【JST・京大機械翻訳】

Combining SchNet and SHARC: The SchNarc machine learning approach for excited-state dynamics

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年02月17日プレプリントサーバーでの情報更新日： 2020年02月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

近年,深層学習は日常生活の一部となり,量子化学を革命する。本研究では,光力学シミュレーションのためのすべての重要な特性を学習することにより,光化学の研究分野を深めるために,深層学習がどのように使用できるかを示した。特性は多重エネルギー,力,非断熱結合およびスピン-軌道結合である。非断熱結合を,回転共分散を保証する深層学習モデルによって仮想的に構築された特性の導関数として,無位相方法で学習した。さらに,ポテンシャル,それらの勾配およびHessianに基づいて,非断熱結合に対する近似を導入した。深層学習法として,多重電子状態に拡張したSchNetを採用した。分子動力学プログラムSHARCと組み合わせて,SchNarcと呼ばれる著者らのアプローチをモデル系と2つの現実的な多原子分子で試験し,複雑な系の効率的な光力学シミュレーションに向けた道を開いた。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 原子とラジカルの反応 , ニューロコンピュータ , 分子の電子構造

前のページに戻る