崔剛龍老師 J. Phys. Chem. Lett. 文章介紹 基于機器學習的非絕熱動力學研究
機器學習由于其巨大的應用前景已經(jīng)得到各個行業(yè)的高度關注, 已經(jīng)滲透到了人們生活的方方面面。該方法在化學領域也取得了重要的發(fā)展，被用于指導有機合成、搜尋功能材料、發(fā)展理論方法等，其中利用大數(shù)據(jù)“學習”化學、生物和材料體系的勢能面信息來進行多尺度的分子動力學模擬是目前的研究熱點之一。前期的理論工作主要集中于“訓練”單一勢能面并用于絕熱動力學模擬，而對多態(tài)耦合的勢能面及其在非絕熱動力學中的研究則少有報道，特別是針對勢能面交叉區(qū)域的復雜勢能面的機器學習未見報道。
最近，化學學院崔剛龍老師利用基于神經(jīng)網(wǎng)絡的深度學習方法首次精確重現(xiàn)了多原子分子體系基態(tài)和激發(fā)態(tài)的勢能面及其交叉區(qū)域的拓撲結構，并利用所得到的多態(tài)勢能面進行了非絕熱動力學模擬。基于深度學習的非絕熱動力學模擬在降低計算量的同時，給出了和從頭算級別非絕熱動力學模擬近乎一樣的動力學結果。結果表明深度學習方法可以足夠準確地重復復雜的多態(tài)勢能面的拓撲結構，可用于研究復雜的光物理和光化學反應動力學的研究。
相關成果近期發(fā)表于《The Journal of Physical Chemistry Letters》：Deep Learning for Nonadiabatic Excited-State Dynamics（DOI: 10.1021/acs.jpclett.8b03026）。北京師范大學化學學院為第一單位、陳文愷博士研究生為該工作的第一作者。該工作得到國家自然科學優(yōu)秀青年基金資助和中央高?；究蒲谢鹳Y助。
版權與免責聲明：本網(wǎng)頁的內(nèi)容由收集互聯(lián)網(wǎng)上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點或證實其真實性，也不構成其他建議。僅提供交流平臺，不為其版權負責。如涉及侵權，請聯(lián)系我們及時修改或刪除。郵箱：sales@allpeptide.com