物理学 > 化学物理
[提交于 2025年2月18日
]
标题: 可迁移的激发态机器学习势能 X-MACE 使用集成 DeepSets
标题: Transferable Machine Learning Potential X-MACE for Excited States using Integrated DeepSets
摘要: 锥形交叉点在光化学反应中作为关键通道,使得势能面之间的快速非辐射跃迁成为可能,这些过程是光合作用或视觉等基本过程的基础。 然而,使用量子化学计算这些交叉点极其计算密集,而使用机器学习进行建模由于其固有的不光滑和复杂性而面临重大挑战。 为了解决这一挑战,我们引入了一种深度学习架构,旨在精确建模激发态,并提高这些关键、不光滑区域的准确性。 我们的模型将深度集合集成到信息传递原子簇展开(MACE)框架中,从而得到对不光滑激发态势能面的平滑表示。 我们使用大量分子验证了该方法,展示了与传统激发态模型相比,在锥形交叉点周围的能量景观建模方面有显著改进。 此外,我们将基态基础机器学习模型应用于激发态。 通过这样做,我们展示了所开发的模型不仅能够从基态转移到激发态,还能在化学空间内转移到训练数据集之外的分子系统。 这一进展不仅提高了激发态建模的保真度,还为更复杂分子系统的研究奠定了基础。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.