深度学习方法预测分子激发光谱

芬兰阿尔托大学Patrick Rinke教授及其合作者一起提出了用于预测分子激发光谱的深度学习方法。 以132k有机分子的电子态密度为例,训练和评估了三种不同的神经网络结构:多层感知器(MLP),卷积神经网络(CNN)和深张量神经网络(DTNN)。 神经网络的输入是每个分子中原子的坐标和电荷。 MLP已经能够学习光谱,但均方根误差(RMSE)仍然高达0.3 eV。 CNN的学习质量显着提高(RMSE = 0.23 eV)并达到DTNN的最佳性能(RMSE = 0.19 eV)。CNN和DTNN都能捕捉到光谱形状中的细微差别。 在该方法的展示应用中,扫描10k先前未见过的有机分子的结构,并获得即时光谱预测,用以识别分子。

在该工作中,深度学习光谱学将补充传统理论和实验光谱学,以加速材料的光谱分析,预测新的和迄今为止未表征的材料,并发现全新的分子或材料。研究者对Ramakrishnan等人数据集的10K个分子进行了光谱预测,进而对新数据集的光谱特征进行了概述,并帮助我们识别、进一步分析有趣的分子。 将来,我们可以将这种快速筛选扩展到光谱尚未被测量或计算的大量有机分子,这是开发应用或分析实验所必需的。

相关工作发表在Advanced Science期刊上,DOI:10.1002/advs.201801367。