p338. يادگيري ماشين در تقريب كارآمد سطوح انرژي حالت پايه و برانگيخته

Machine learning for efficiently approximating excited- and ground-state energy surfaces

در سال‌هاي اخير، نتايج ارزشمند و دقيقي از به كارگيري روش‌هاي يادگيري ماشين (ML) در زمينه‌ فيزيك و شيمي بدست آمده‌است. در اين مقاله ما نشان مي‌دهيم كه به منظور تخمين دقيق حالت‌هاي برانگيخته و بررسي خصوصيات اپتيكي مي‌توان روش‌‌هاي يادگيري ماشين را با نظريه تابعي چگالي تنگابست وابسته به زمان (TD-DFTB) به صورت كارآمدي تركيب كرد. در اين روش با وارد كردن بارهاي پيش‌بيني شده به وسيله ML در محاسبات TD-DFTB محاسبات مربوط به قسمت خودسازگار حذف مي‌شود، كه اين موجب كاهش چشمگير هزينه محاسباتي مي‌گردد.

Recently, accurate results obtained from applying machine learning techniques in physical and chemical fields show the great promise of this approach. In this work, we combine the Time Dependent Density Functional Tight Binding (TD-DFTB) equation with supervised machine learning models to study low-lying excited states and optical properties. In this model, we use predicted charges in TD-DFTB calculations while by-pass the self-consistent calculations as the most costly part of this method that it makes considerable saving in computational costs.