This thesis focuses on machine learning (ML) prediction of the energy of the highest occupied molecular orbital (HOMO) as well as the internal reorganization energy . First, we explore strategies to improve the performance of ML models for reorganization energy prediction by using semi-empirical methods for conformer sampling and as a baseline. Second, the novel orbital weighted average approach (OWA) is developed to accurately predict the HOMO energies and orbital distributions simultaneously.
Übersetzte Kurzfassung:
Der Fokus dieser Arbeit liegt auf Machine Learning (ML) zur Vorhersage der Energie des höchsten besetzten Molekülorbitals (HOMO) sowie der Reorganisationsenergie. Wir verbessern die Leistung von ML-Modellen für die Vorhersage der Reorganisationsenergie, indem wir semi-empirische Methoden für das Sampling von Konformeren und als Baseline verwenden. Der Ansatz des orbital gewichteten Durchschnitts (OWA) wird entwickelt, um gleichzeitig die HOMO-Energien und Orbitalverteilungen vorherzusagen.
Login
BibTeX