신경진화 잠재력 프레임워크를 통한 텐서적 특성: 적외선 및 라만 스펙트라의 빠른 시뮬레이션

적외선 및 라만 분광법은 가스, 액체 및 고체의 특성화를 위해 널리 사용되며, 스펙트라에는 특히 이러한 시스템의 동역학에 관한 풍부한 정보가 포함되어 있습니다. 원자 규모의 시뮬레이션을 통해 이러한 스펙트라를 예측할 수 있지만, 높은 계산 비용이나 적용 범위와 신뢰성을 제한하는 강한 근사법의 필요성으로 인해 종종 심각하게 제한됩니다. 여기에서는 이러한 단점을 해결하고 이전의 기계 학습(ML) 방식과 비교하여 데이터 및 계산 효율성 측면에서 상당한 성능 향상을 제공하는 기계 학습 가속 접근법을 소개합니다. 이를 위해, 우리는 순위 1 및 2 텐서의 예측을 가능하게 하기 위해 신경진화 잠재력 접근법을 일반화하여 텐서적 신경진화 잠재력(TNEP) 스킴을 얻습니다. 우리는 결과 프레임워크를 적용하여 분자, 액체 및 고체의 쌍극자 모멘트, 분극성 및 성향성을 위한 모델을 구축하고, 우리의 접근법이 정확성과 계산 효율성 측면에서 문헌의 여러 ML 모델과 유리하게 비교됨을 보여줍니다. 마지막으로, 우리는 TNEP 접근법을 적용하여 액체 물의 적외선 및 라만 스펙트라를 예측하는 것을 입증합니다.