SchNetとSHARCの統合：励起状態ダイナミクスのためのSchNarc機械学習アプローチ

近年、深層学習は私たちの日常生活の一部となり、量子化学にも革命をもたらしています。本研究では、深層学習が光化学の研究分野を前進させる方法を示します。これは、光ダイナミクスシミュレーションに必要な重要な特性-複数のエネルギー、力、および異なるカップリング-を学習することによってです。我々は、(i) 生の量子化学データのコストのかかる前処理をスキップする位相フリーのトレーニング;(ii) 教えられるか、(iii) MLポテンシャル、その勾配、ヘッシアンからのみ近似可能な回転共変非断熱カップリングを用いることにより、このようなシミュレーションを大幅に簡素化します。そして(iv) スピン-軌道カップリングを組み込みます。深層学習法として、分子構造の自動決定された表現を持つSchNetを採用し、複数の電子状態のために拡張します。分子動力学プログラムSHARCと組み合わせた我々のアプローチはSchNarcと呼ばれ、2つの多原子分子で試験され、複雑なシステムの効率的な光ダイナミクスシミュレーションに向けた道を開きます。