Login
- Originaltitel:
- Molecular Machine Learning for Complex Electronic Properties
- Übersetzter Titel:
- Molekulares Machine Learning für komplexe elektronische Eigenschaften
- Autor:
- Chen, Ke
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Natural Sciences
- Institution:
- Lehrstuhl für Theoretische Chemie (Prof. Heiz komm.)
- Betreuer:
- Reuter, Karsten (Prof. Dr.)
- Gutachter:
- Reuter, Karsten (Prof. Dr.); Gagliardi, Alessio (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- CHE Chemie
- TU-Systematik:
- CHE 150
- Kurzfassung:
- 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.
- WWW:
- https://mediatum.ub.tum.de/?id=1717226
- Eingereicht am:
- 31.07.2023
- Mündliche Prüfung:
- 19.09.2023
- Dateigröße:
- 6854567 bytes
- Seiten:
- 98
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230919-1717226-1-9
- Letzte Änderung:
- 06.11.2023
BibTeX