AdvancedScience:深度學習方法預測分子激發光譜

　　芬蘭阿爾托大學Patrick Rinke教授及其合作者一起提出了用于預測分子激發光譜的深度學習方法。 以132k有機分子的電子態密度為例，訓練和評估了三種不同的神經網絡結構：多層感知器（MLP），卷積神經網絡（CNN）和深張量神經網絡（DTNN）。 神經網絡的輸入是每個分子中原子的坐標和電荷。 MLP已經能夠學習光譜，但均方根誤差（RMSE）仍然高達0.3 eV。 CNN的學習質量顯著提高（RMSE = 0.23 eV）并達到DTNN的最佳性能（RMSE = 0.19 eV）。CNN和DTNN都能捕捉到光譜形狀中的細微差別。 在該方法的展示應用中，掃描10k先前未見過的有機分子的結構，并獲得即時光譜預測，用以識別分子。

　　在該工作中，深度學習光譜學將補充傳統理論和實驗光譜學，以加速材料的光譜分析，預測新的和迄今為止未表征的材料，并發現全新的分子或材料。研究者對Ramakrishnan等人數據集的10K個分子進行了光譜預測，進而對新數據集的光譜特征進行了概述，并幫助我們識別、進一步分析有趣的分子。 將來，我們可以將這種快速篩選擴展到光譜尚未被測量或計算的大量有機分子，這是開發應用或分析實驗所必需的。

　　相關工作發表在Advanced Science（DOI：10.1002/advs.201801367）上。