Complete Nuclear Permutation Inversion Invariant Artificial Neural Network (CNPI-ANN) Diabatization for the Accurate Treatment of Vibronic Coupling Problems.
Complete Nuclear Permutation Inversion Invariant Artificial Neural Network (CNPI-ANN) Diabatization for the Accurate Treatment of Vibronic Coupling Problems.
复制标题
完整的核排列反演不变人工神经网络 (CNPI-ANN) Diabatization 用于精确处理电子振动耦合问题
DOI：
10.1021/acs.jpca.0c05991
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Wolfgang Eisfeld
中科院分区：
文献类型：
--
作者：
David M. G. Williams;Wolfgang Eisfeld
基于人工神经网络（ANNs）的高精度高维耦合绝热势能面（PESs）生成方法[J]。化学。物理学报，2018,149,204106 [j]。化学。物理学报，2019,151,164118]被修正以考虑适当的完全核置换反演（CNPI）不变性。这种新方法解决了非绝热PESs高度灵活的人工神经网络表示所固有的问题，即准确地解释适当的分子对称性。事实证明，使用CNPI不变量作为人工神经网络输入层的坐标，可以更紧凑，从而更有效地表示非绝热PES模型，而不会损失任何精度。结合CNPI-ANN输出神经元修正的适当对称的振动耦合参考模型，得到的绝热PESs具有完美的对称性和较高的精度。在本文中，新方法将被描述和彻底的测试。测试用例是平面no3低洼电子态的表示和相应的振动/振动核动力学，其中有大量从头算数据可用。因此，本研究结果可以直接与前人的研究结果进行比较。
A recently developed scheme to produce accurate high-dimensional coupled diabatic potential energy surfaces (PESs) based on artificial neural networks (ANNs) [J. Chem. Phys.2018, 149, 204106 andJ. Chem. Phys.2019, 151, 164118] is modified to account for the proper complete nuclear permutation inversion (CNPI) invariance. This new approach cures the problem intrinsic to the highly flexible ANN representation of diabatic PESs to account for the proper molecular symmetry accurately. It turns out that the use of CNPI invariants as coordinates for the input layer of the ANN leads to a much more compact and thus more efficient representation of the diabatic PES model without any loss of accuracy. In connection with a properly symmetrized vibronic coupling reference model, which is modified by the output neurons of the CNPI-ANN, the resulting adiabatic PESs show perfect symmetry and high accuracy. In the present paper, the new approach will be described and thoroughly tested. The test case is the representation and corresponding vibrational/vibronic nuclear dynamics of the low-lying electronic states of planar NO3for which a large number of ab initio data is available. Thus, the present results can be compared directly with the previous studies.
登录
查看更多内容
DOI：
10.1063/1.5111547
发表时间：
2019-09
期刊：
The Journal of chemical physics
影响因子：
--
作者：
Yinan Shu;Joanna Kryven;A. G. Sampaio de Oliveira-Filho;Linyao Zhang;Guoliang Song;Shaohong L Li;R. Meana-Pañeda;Bina Fu;J. Bowman;D. Truhlar
通讯作者：
Yinan Shu;Joanna Kryven;A. G. Sampaio de Oliveira-Filho;Linyao Zhang;Guoliang Song;Shaohong L Li;R. Meana-Pañeda;Bina Fu;J. Bowman;D. Truhlar
NO 3 中的 ν 3 基波在 1060 cm -1 附近被发现，尽管不久前
DOI：
--
发表时间：
2012
期刊：
影响因子：
--
作者：
C. Simmons;T. Ichino;J. Stanton
通讯作者：
J. Stanton
影响因子：
5.5
作者：
Xuefei Xu;Ke R. Yang;D. Truhlar
通讯作者：
Xuefei Xu;Ke R. Yang;D. Truhlar
DOI：
10.1063/1.4879655
发表时间：
2014-06
期刊：
The Journal of chemical physics
影响因子：
--
作者：
W. Eisfeld;O. Vieuxmaire;A. Viel
通讯作者：
W. Eisfeld;O. Vieuxmaire;A. Viel
用于精确振动量子动力学的非绝热神经网络势-平面NO3的测试案例
DOI：
10.1063/1.5125851
发表时间：
2019
期刊：
The Journal of chemical physics
影响因子：
--
作者：
David M. G. Williams;Wolfgang Eisfeld
通讯作者：
Wolfgang Eisfeld