人工智能加速分子“指纹”分析

与常规方法,是非常耗时的计算较大分子的光谱指纹。但这是一个先决条件正确解释获得的实验数据。现在,一个小组HZB取得了很好的成果使用神经网络自学习图形在更少的时间。

“大分子,但量子点,通常是由成千上万的原子,使用传统的方法很难提前计算DFT等“PD HZB安妮卡邦德博士说。她和她的团队已经研究如何缩短计算时间利用人工智能的方法。

集团的想法:一个计算机程序图形化神经网络或GNN接收小分子作为输入的任务决定他们的光谱响应。在下一步中,GNN计划比较计算光谱与已知目标光谱(DFT或实验)和纠正计算相应的路径。一轮接着一轮,结果变得更好。GNN计划因此自己学习如何计算已知光谱光谱可靠的帮助。

“我们训练五个新的卫星系统,发现巨大的进行改进与其中一个可以实现,SchNet模型:精度提高了20%,这是在计算时间的一小部分,”第一作者Kanishka辛格说。辛格参与HEIBRiDS研究生院和由两个来自不同背景的专家监督:计算机科学专家教授Ulf莱塞从柏林洪堡大学和理论化学家Annika邦德。

“最近发达GNN框架可以做得更好,”她说。”和需求非常高。因此我们要加强这一研究和计划为它创建一个新的博士后从夏天开始的亥姆霍兹项目“x光吸收光谱可辩解的人工智能。”

参考:辛格K, Munchmeyer J,韦伯L,莱塞U,邦德a图神经网络学习分子激发光谱。J化学理论第一版。网上发布的6月7日,2022年。doi:10.1021 / acs.jctc.2c00255

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。