基于集成学习的分子吸收能含时密度泛函计算校正模型研究

发布时间：2024-04-03 00:48

　　人工智能是以研究计算机算法模拟人类智能的理论和方法,以及开发用来模拟人类智能的技术和现实系统为主要目的的前沿学科,涉及领域广泛。机器学习作为人工智能的重要分支,从最初的符号学习演变到现在的统计机器学习,从纯理论到现实问题研究,至今已经应用在很多科研和工业领域。分子的吸收能是指分子因吸收光子而发生跃迁时所吸收的能量,反映了分子的电子性质以及内在的结构信息,是重要的激发态光学性质之一。利用对物质分子所产生的吸收能以及吸收强度的了解,可以分析、测定和推断物质的组成和结构等性质,对于太阳能电池光伏材料研究和设计等有重要参考价值。因而如何测量或准确而高效的预测分子的吸收能,尤其是较大分子的激发态性质,十分值得探究。近几十年来,量子化学计算在研究化学各领域问题上已有显著成效。近年来,量子化学计算与机器学习的结合,在提高量子化学计算方法的计算精度和计算效率上,得到了巨大进展。计算分子吸收能最常用量子化学方法之一是含时密度泛函理论(TDDFT),因为其效率高,并且可应用多种分子体系的特点,成为计算分子激发态的上佳选择,但是其计算精度和可应用分子的尺度还有很大的提升空间。本文使用集成学习方法对TDDFT...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图2-1第154号分子结构

图2-1与图2-2是分别是本文研究的433个分子中原子数最多和原最多的是第154号分子，具有229个原子，最少的是178号分子，具两个图也可以看出，本文对分子的研究，原子数跨度较大，较有实用

图2-2第178号分子结构

图4-1实验流程

4.1实验方案本文对包含276个芳胺染料分子在内的433个有机分子进行研究。首先通过计算这433个分子在三个不同基组下的基态与激发态的特征值获取了三个数据库，详细过程已经在第二章进行了介绍。之后进行数据划分，特征选择，然后使用集成方法对量子化学计算的吸收能结果进行校正....

本文编号：3946456