有機半導体のオプトエレクトロニクス特性のための深層学習【JST・京大機械翻訳】

Lu Chengqiang; Liu Qi; Sun Qiming; Hsieh Chang-Yu; Zhang Shengyu; Shi Liang; Lee Chee-Kong

プレプリント

J-GLOBAL ID：202202221340464843 整理番号：21P0018923

有機半導体のオプトエレクトロニクス特性のための深層学習【JST・京大機械翻訳】

Deep Learning for Optoelectronic Properties of Organic Semiconductors

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 (7件)： , , , , , ,
資料名：
発行年： 2019年10月29日プレプリントサーバーでの情報更新日： 2019年10月29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)

有機半導体(OSC)におけるエネルギー障害の原子論的モデリングとOSCの光電子特性へのその影響は,多くのOSC応用に対する計算的に困難なタスクである,多数の励起状態電子構造計算を必要とする。本研究では,この課題に取り組むための深層学習の使用を提唱し,最先端の深層ニューラルネットワーク(DNN)が,訓練データ生成に用いる量子化学法に匹敵する精度でOSCの電子特性を予測できることを示した。重要なクラスのOSC,すなわち,それらのHOMOおよびLUMOエネルギー,励起状態エネルギーおよび関連する遷移双極子モーメントを含む,重要なクラスのOSC,すなわち,オリゴチオフェン(OT)の種々の電子特性の予測において,4つの最近のDNN(ディープテンソルニューラルネットワーク,SchNet,メッセージ通過ニューラルネットワーク,およびマルチレベルグラフ畳込みニューラルネットワーク)の性能を広範囲に調査した。SchNetは,異なるサイズ(ビチオフェンからセキシチオフェンまで)のOTsに対して最良の性能を示し,(時間依存)密度汎関数理論からの結果と比較して,20~80meVの範囲の平均予測誤差を達成した。また,SchNetは,特に大きな分子または限られた訓練データを有する困難な場合において,浅いフィードフォワードニューラルネットワークよりも一貫して優れていることを示す。さらに,SchNetは,フィードフォワードニューラルネットワークにとって難しいことが知られているタスクである遷移双極子モーメントを正確に予測でき,それらの励起状態の電荷移動特性に対して,いくつかのOT配置に対して見られる遷移双極子予測における比較的大きな誤差を記述できることを示した。最後に,ジクロロメタン中のOTsのUV-Vis吸収スペクトルのモデリングによるSchNetの有効性を実証し,計算と実験スペクトルの間に良好な一致を観測した。【JST・京大機械翻訳】

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

分子の電子構造

, ,

前のページに戻る