Sélection de la langue

Gouvernement du Canada / Government of Canada

Recherche

Machine learning seams of conical intersection: a characteristic polynomial approach

Par Conseil national de recherches du Canada

Téléchargement
FichierFormatTaille
PDF3.6 Mio
PDF1.2 Mio
PDF374 Kio
DOITrouver le DOI : https://doi.org/10.1021/acs.jpclett.3c01649
AuteurRechercher : ; Rechercher : 1Identifiant ORCID : https://orcid.org/0000-0001-8134-1883; Rechercher : 1Identifiant ORCID : https://orcid.org/0000-0002-0922-9034
Affiliation
  1. Conseil national de recherches du Canada. Technologies de sécurité et de rupture
Bailleur de fondsRechercher : Natural Sciences and Engineering Research Council of Canada
FormatTexte, Article
Sujetelements; energy; machine learning; mathematical methods; potential energy
Résumé
The machine learning of potential energy surfaces (PESs) has undergone rapid progress in recent years. The vast majority of this work, however, has been focused on the learning of ground state PESs. To reliably extend machine learning protocols to excited state PESs, the occurrence of seams of conical intersections between adiabatic electronic states must be correctly accounted for. This introduces a serious problem, for at such points, the adiabatic potentials are not differentiable to any order, complicating the application of standard machine learning methods. We show that this issue may be overcome by instead learning the coordinate-dependent coefficients of the characteristic polynomial of a simple decomposition of the potential matrix. We demonstrate that, through this approach, quantitatively accurate machine learning models of seams of conical intersection may be constructed.
Date de publication
Maison d’éditionAmerican Chemical Society
Licence
Dans
  • The Journal of Physical Chemistry Letters 14, nº 35 (24 août 2023) : 7780–7786.
Langueanglais
Publications évaluées par des pairsOui
Exporter la noticeExporter en format RIS
Signaler une correctionSignaler une correction (s'ouvre dans un nouvel onglet)
Identificateur de l’enregistrementb79fa35c-8c78-4d9f-855e-878c20a59f9f
Enregistrement créé2024-01-25
Enregistrement modifié2024-01-29
Date de modification :