論文の概要: Low-cost machine learning approach to the prediction of transition metal phosphor excited state properties

• arxiv url: http://arxiv.org/abs/2209.08595v1
• Date: Sun, 18 Sep 2022 16:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 20:26:06.538014
• Title: Low-cost machine learning approach to the prediction of transition metal phosphor excited state properties
• Title（参考訳）: 遷移金属蛍光体励起状態特性予測のための低コスト機械学習手法
• Authors: Gianmarco Terrones, Chenru Duan, Aditya Nandy, and Heather J. Kulik
• Abstract要約: 光活性イリジウム錯体は、光から光触媒への応用から広く関心を集めている。 我々は、低コスト機械学習(ML)モデルを用いて、イリジウム錯体の励起状態特性を予測する。
• 参考スコア（独自算出の注目度）: 0.4306143768014156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photoactive iridium complexes are of broad interest due to their applications ranging from lighting to photocatalysis. However, the excited state property prediction of these complexes challenges ab initio methods such as time-dependent density functional theory (TDDFT) both from an accuracy and a computational cost perspective, complicating high throughput virtual screening (HTVS). We instead leverage low-cost machine learning (ML) models to predict the excited state properties of photoactive iridium complexes. We use experimental data of 1,380 iridium complexes to train and evaluate the ML models and identify the best-performing and most transferable models to be those trained on electronic structure features from low-cost density functional theory tight binding calculations. Using these models, we predict the three excited state properties considered, mean emission energy of phosphorescence, excited state lifetime, and emission spectral integral, with accuracy competitive with or superseding TDDFT. We conduct feature importance analysis to identify which iridium complex attributes govern excited state properties and we validate these trends with explicit examples. As a demonstration of how our ML models can be used for HTVS and the acceleration of chemical discovery, we curate a set of novel hypothetical iridium complexes and identify promising ligands for the design of new phosphors.
• Abstract（参考訳）: 光活性イリジウム錯体は、光から光触媒への応用から広く関心を集めている。 しかしながら、これらの錯体の励起状態特性予測は、精度と計算コストの観点から、高スループット仮想スクリーニング(htvs)を複雑化する時間依存密度汎関数理論(tddft)のようなab initio法に挑戦する。 代わりに、低コスト機械学習モデルを用いて光活性イリジウム錯体の励起状態特性を予測する。 1,380個のイリジウム錯体の実験データを用いて, mlモデルのトレーニングと評価を行い, 低コスト密度汎関数理論の密結合計算から電子構造特性を訓練した最良かつ最も転移性の高いモデルを特定する。 これらのモデルを用いて, 蛍光平均放出エネルギー, 励起状態寿命, 発光スペクトル積分の3つの励起状態特性を推算し, tddftと競合し, 取って代わる精度を示した。 我々は,イリジウム錯体特性が励起状態特性を支配するかを特定するために,特徴量解析を行い,これらの傾向を明示的な例で検証する。 HTVSと化学発見の加速に我々のMLモデルをどのように利用できるかを示すために、新しい仮説的イリジウム錯体の集合をキュレートし、新しいリンの設計のための有望な配位子を同定する。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Electronic structure prediction of medium and high entropy alloys across composition space [4.556522329713242]
  本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。 トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。 本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-10T18:29:31Z)
• A framework for extracting the rates of photophysical processes from biexponentially decaying photon emission data [0.0]
  我々は、光学的不活性状態によるキャリアのトラップと放出を含むモデルを開発する。 このモデルはまた、放出動力学に関わる全ての遷移速度の確率間隔を決定できる。 我々はCdSeTe/CdSヘテロ構造の時間分解発光測定にこのモデルを適用した。
  論文  参考訳（メタデータ） (2024-08-22T08:14:51Z)
• Predictions of photophysical properties of phosphorescent platinum(II) complexes based on ensemble machine learning approach [0.0]
  蛍光金属錯体はエネルギー効率の良い有機発光ダイオード(有機発光ダイオード)の放出剤として研究されている。 OLEDエミッタとして実用化するためには、高い放射減衰率定数(k_r$)と光ルミネッセンス(PL)量子収率を持つPt(II)錯体を開発する必要がある。 そこで我々は, 蛍光Pt(II)エミッタの放射波長, 放射減衰速度定数, PL量子収率を正確に予測するための一般的なプロトコルを開発した。
  論文  参考訳（メタデータ） (2023-01-08T04:54:33Z)
• Rapid Exploration of a 32.5M Compound Chemical Space with Active Learning to Discover Density Functional Approximation Insensitive and Synthetically Accessible Transitional Metal Chromophores [0.4063872661554894]
  機械学習(ML)による化学発見を加速する2つの課題は、候補分子や物質の合成可能性と、MLモデルトレーニングで使用されるデータの忠実性である。 最初の課題に対処するため, 32.5M遷移金属錯体 (TMCs) の仮定設計空間を構築し, すべてのフラグメントを合成的に利用した。 第2の課題に対処するために、Jacobのはしごの複数の領域にわたる23の関数密度近似の予測におけるコンセンサスを求める。
  論文  参考訳（メタデータ） (2022-08-10T16:55:33Z)
• Electromagnetically induced transparency in inhomogeneously broadened divacancy defect ensembles in SiC [52.74159341260462]
  電磁誘導透過 (EIT) は、光信号と電子スピンの量子コヒーレンスの間に強く堅牢な相互作用を与える現象である。 この材料プラットフォームにおいても,計測幾何学の慎重に設計した上で,EITを高視認性で確立できることが示される。 本研究は,多層システムにおけるEITの非均一性に対する理解を提供し,半導体の幅広い欠陥に対する考察である。
  論文  参考訳（メタデータ） (2022-03-18T11:22:09Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
  固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。 ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2021-05-27T18:00:02Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。