Neural Network Driven, Interactive Design for Nonlinear Optical Molecules Based on Group Contribution Method

要約

D-Pi-A型有機低分子非線形光学材料の合理的設計のためのルイスモード群寄与法(LGC)-多段ベイジアンニューラルネットワーク(msBNN)-進化的アルゴリズム(EA)フレームワークを報告する
。
msBNN と修正ルイスモード群寄与法 (cLGC) を組み合わせると、トレーニングに少量のデータセットのみを使用することで、分子のさまざまな光学特性が正確かつ効率的に得られます。
さらに、LGC専用に設計されたEAモデルを採用することで、構造探索も容易に実現します。
フレームワークの優れたパフォーマンスの論理的起源について詳しく説明します。
このような理論に基づいた機械学習フレームワークが化学原理とデータ駆動型ツールを組み合わせていることを考慮すると、おそらく、より広範な分野で分子設計関連の問題を解決するのに効率的であることが証明されるでしょう。

要約(オリジナル)

A Lewis-mode group contribution method (LGC) — multi-stage Bayesian neural network (msBNN) — evolutionary algorithm (EA) framework is reported for rational design of D-Pi-A type organic small-molecule nonlinear optical materials is presented. Upon combination of msBNN and corrected Lewis-mode group contribution method (cLGC), different optical properties of molecules are afforded accurately and efficiently – by using only a small data set for training. Moreover, by employing the EA model designed specifically for LGC, structural search is well achievable. The logical origins of the well performance of the framework are discussed in detail. Considering that such a theory guided, machine learning framework combines chemical principles and data-driven tools, most likely, it will be proven efficient to solve molecular design related problems in wider fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google