利用降维算法分析非绝热动力学

结题报告

项目介绍

AI项目解读

基本信息

批准号：
21873112
项目类别：
面上项目
资助金额：
66.0万
负责人：
兰峥岗
依托单位：
华南师范大学
学科分类：
B0301.化学理论与方法
结题年份：
2022
批准年份：
2018
项目状态：
已结题
起止时间：
2019-01-01 至2022-12-31

项目参与者：
胡德平；李绪送；江圣世；彭佳伟；
关键词：
非绝热动力学直接动力学混合经典量子方法面间跳跃势能面交叉

项目摘要

On-the-fly trajectory surface hopping dynamics is widely used to describe the nonadiabatic dynamics of polyatomic molecules. The analysis of its simulation results is not fully trivial, particular for complex systems. The project wishes to develop the novel analysis protocol to understand the nonadiabatic dynamics simulation results in the basis of various computational approaches in machine learning and big data analysis. This novel analysis approach employs the unsupervised machine learning dimensionality reduction approach to identify the major reactive coordinates responsible for nonadiabatic dynamics through “automatic learning” of simulation results without any pre-knowledge of reaction pathways. We also try to construct the proper description framework and analysis approach to understand the coupled electronic-nuclear motions. At the end the trajectory evolution is investigated by the analysis of trajectory similarity in the so-called “trajectory space”. We wish these efforts provide various perspectives on nonadiabatic dynamics. This project will give great impacts on not only photophysics and photochemistry, but also theoretical development of nonadiabatic dynamics methods.

基于轨线面跳跃的直接动力学被广泛用于模拟多原子分子的非绝热过程。分析其模拟结果并不简单，特别是对于复杂体系而言。本项目希望利用机器学习和数据挖掘领域的各种算法，发展分析方法用于理解面跳跃直接动力学的模拟结果。希望该方法通过对模拟结果进行分析，在不预知反应路径的前提下，通过无监督机器学习的降维理论，自动寻找动力学过程的主导运动模式；进一步通过建立合适的描述和分析方式来深入理解电子—核耦合的运动；最后通过在“轨迹空间”分析轨迹演化的异同，理解轨线演化的基本行为。希望通过这些努力，实现从多个角度来理解复杂体系非绝热动力学的目的。该方法的发展，不仅仅对光物理和光化学的发展具有重要的推动作用，也对非绝热动力学理论方法的发展具有积极的意义。

结项摘要

本课题主要聚焦于将各类机器学习算法用于非绝热动力学模拟，发展更为高效、快速和自动化的模拟方法，加深我们对复杂体系非绝热动力学过程的认识。.首先，借鉴了无监督机器学习算法，包括各类聚类和降维的算法，将其用于分析非绝热动力学模拟产生的海量轨迹数据，从中鉴别出重要的光化学反应通道和对应的反应坐标，实现了非绝热动力学模拟数据的自动化分析，为我们深刻认识复杂体系非绝热过程的主导机制具有重要的意义。.其次，基于长短时记忆的回馈式神经网络方法，发展了高效模拟开放体系量子耗散动力学的方法。首先对复杂体系的动力学利用全量子动力学方法，如MCTDH和张量网络等方法进行短时模拟，然后基于短时动力学的关联信息，利用基于长短时记忆的回馈式神经网络，构建能正确描述该关联信息的时间序列模型，然后利用该模型去预测后序长时的动力学。进一步，将该方法扩展到基于映射哈密顿的准经典动力学，利用少数已知的短时轨迹信息构建回馈式神经网络，然后直接从初始条件出发，成功预测整个轨迹中所有自由度的演化，该方法为实现利用机器学习去高效开展复杂体系动力学模拟奠定了基础。.再次，利用监督学习和深度神经网络算法，基于原子能量分解的方法，实现了高维势能面的构建，同时为构建高维势能面的过程提出了各种有效算法，包括自适应学习、置信区间判断等方法等。在此基础上，构建了有机污染物的三重态势能面，并基于准经典动力学模拟了有机污染物的光解过程。.本课题共发表论文21篇，培养6名研究生。.本课题的实施，大大扩展了将各类机器学习算法用于非绝热动力学模拟的使用范围，为将这些方法在未来用于更为复杂的实际问题提供了研究思路。