原子性质导出的光谱常数：一种机器学习方法
摘要：基于原子性质，我们提出了一种基于机器学习的预测光谱常数的方法。在收集双原子的光谱信息并生成广泛的数据库后，我们采用高斯过程回归来确定预测分子平衡距离、振动谐波频率和解离能的最有效特征。结果表明，仅利用原子性质可以预测平衡距离的绝对误差为0.04 AA，振动谐波频率的绝对误差为36 cm^-1。通过加入关于分子性质的先验信息，这些结果可以改进，平衡距离和振动谐波频率的绝对误差分别为0.02 AA和28 cm^-1。相比之下，解离能的预测绝对误差小于0.4 eV。除此之外，我们证明了从杂原子的原子和分子性质可以预测同核分子的光谱常数。最后，基于我们的结果，我们提出了一种超越化学键性质的新方法来分类双原子分子。
作者：Mahmoud A. E. Ibrahim, X. LiU and J. P''erez-R''ios
论文ID：2308.08933
分类：Chemical Physics
分类简称：physics.chem-ph
提交时间：2023-08-21