Detailansicht
Machine learning for excited-state molecular dynamics simulations
Julia Maria Westermayr
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Chemie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium NAWI aus dem Bereich Naturwissenschaften (Dissertationsgebiet: Chemie)
Betreuer*innen
Philipp Marquetand ,
Leticia González
DOI
10.25365/thesis.63947
URN
urn:nbn:at:at-ubw:1-22803.86432.120075-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Durch das Aufeinandertreffen der künstlichen Intelligenz und Quantenchemie haben sich eine Vielzahl neuer Wege eröffnet, von denen besonders das Forschungsgebiet der Photochemie profitieren kann. Das Zusammenspiel von Licht, Elektronen und Atomkernen ist jedoch so komplex, dass der hohe Rechenaufwand der mit einer akkuraten Beschreibung verbunden ist, dazu führte, dass dieses Forschungsgebiet bis zu Beginn dieser Arbeit von maschinellem Lernen weitgehend unberührt blieb. Das grundlegende Ziel dieser Arbeit ist es daher, die Techniken des maschinellen Lernens für Photodynamiksimulationen anzuwenden und weiterzuentwickeln, um eine Vielzahl von molekularen elektronischen Zuständen unterschiedlicher Spinmultiplizitäten, deren Ableitungen und Kopplungen zu beschreiben. Im Mittelpunkt dieser Arbeit steht die Identifizierung der Hauptprobleme, die einer Realisierung von effizienten Modellen des maschinellen Lernens für die molekulare Photochemie im Weg stehen, sowie deren Überwindung: (1) Eigenschaften, die sich durch die Wechselwirkung unterschiedlicher elektronischer Zustände ergeben, sind durch ein willkürliches Vorzeichen gekennzeichnet, das eine sinnvolle, direkte Anwendung von maschinellen Lerntechniken verhindert. Die Willkür bei Vorzeichen kann mit einem in dieser Arbeit entwickelten Phasenkorrektur-Algorithmus beseitigt werden. Als Alternative dazu ist eine modell-intrinsische Lösung in einem neuen Ansatz namens SchNarc implementiert. (2) Viele quantenchemische Programme können keine Kopplungen zwischen elektronischen Zuständen berechnen. Daher werden Näherungen auf Basis maschinell gelernter Potentiale bereitgestellt. (3) Aufgrund der fehlenden Studien zur Beschreiben der Photochemie mit maschinellem Lernen, bleiben viele Fragen offen, unter anderem, welche Algorithmen und molekularen Repräsentationen für angeregte Zustände am besten geeignet sind. Aus diesem Grund werden mehrere solche Modell des maschinellen Lernens verglichen. (4) Aufgrund des hohen Rechenaufwands quantenchemischer Methoden wird eine kostengünstige Trainingssatzgenerierung benötigt. Daher wird ein effizienter Algorithmus für den elektronischen Grundzustand für die Photochemie erweitert. Die Möglichkeiten und Präzision all dieser neuartigen Strategien und Methoden wird anhand kleiner Moleküle untersucht. Lange Photodynamiksimulationen werden mit neuronale Netzen für das Methylenimmonium-Kation ermöglicht. Die komplexe Photochemie der Aminosäure Tyrosin fasst die Herausforderungen für Methoden des maschinellen Lernens zusammen und demonstriert dessen Möglichkeiten, angeregte elektronische Zustände von Molekülen zu beschreiben.
Abstract
(Englisch)
With the rise of machine learning in quantum chemistry, many exciting opportunities have emerged to advance the research field of photochemistry. However, the high complexity and computational efforts associated with a description of coupled electrons and nuclei complicate an application of machine learning techniques, such that this research field remained mainly untouched until the beginning of this work. The main goal of this thesis is to employ machine learning in the simulation of photodynamics. To this aim, machine learning models are developed to describe a manifold of molecular excited-state potentials of different spin multiplicities, their derivatives, and couplings thereof. Central to this thesis is the identification of key obstacles in applying efficient, yet accurate machine learning for photodynamics and overcoming the following hurdles: (1) Excited-state properties carry an arbitrary sign that prohibits a meaningful fitting. These properties can be rendered learnable with a so-called phase correction algorithm developed in this work. As an alternative, a machine-learning intrinsic solution is implemented in a new approach called SchNarc. (2) Couplings between electronic states are often missing in quantum chemistry codes. Therefore, approximations based on machine-learned potentials are provided. (3) Due to the lack of machine learning studies on this topic, many open questions remain on how to best treat excited states. Thus, various models and molecular representations are compared. (4) A cost-effective training set generation is required that still allows for a desired accuracy. In order to meet this requirement, an existing efficient scheme for the ground state is adapted for the excited states. The performance of all these novel strategies and methods is investigated using several small molecules. One big achievement of this work is to enable long time scale photodynamics with neural networks for the methylenimmonium cation. The complex photochemistry of the amino acid tyrosine illustrates the challenges machine learning models still need to overcome, but demonstrates the scopes and possibilities of machine learning for excited electronic states of molecules.
Schlagwörter
Schlagwörter
(Englisch)
photodynamics machine learning excited states potential energy hypersurfaces nonadiabatic couplings artificial intelligence molecular dynamics light-induced processes
Schlagwörter
(Deutsch)
Photodynamik maschinelles Lernen angeregte Zustände Potentialhyperflächen nichtadiabatische Kopplungen künstliche Intelligenz Molekulardynamik lichtinduzierte Prozesse
Autor*innen
Julia Maria Westermayr
Haupttitel (Englisch)
Machine learning for excited-state molecular dynamics simulations
Paralleltitel (Deutsch)
Maschinelles Lernen für die Simulation von Molekulardynamik angeregter Zustände
Publikationsjahr
2020
Umfangsangabe
xi, 189 Seiten : Illustrationen, Diagramme
Sprache
Englisch
Beurteiler*innen
Chris Oostenbrink ,
Reinhard Maurer
AC Nummer
AC16169317
Utheses ID
56729
Studienkennzahl
UA | 796 | 605 | 419 |