Yapay Sinir Ağlarıyla Moleküler Yapıdan Reorganizasyon Enerjisi Tayini

Abstract

Bu projede yapay sinir ağları gibi makine öğrenmesi teknikleri kullanılarak, moleküler yapılardan reorganizasyon enerjilerinin (RE) tahmini hedeflenmiş ve yapılan çalışmalarla bunun mümkün olduğu gösterilmiştir. Reorganizasyon enerjisi organik yarı iletkenlerde yük transfer hızlarını belirleyen önemli faktörlerden bir tanesi ve moleküler seviyede tarama yapmak için uygun bir parametredir. RE'nin kuantum kimyasal yöntemlerle hesaplanması büyük ölçekli taramalar için pahalı olduğundan, makine öğrenim yöntemleri ile RE'nin moleküler yapıdan tahmin edilme olasılığını araştırdık. Kombinatoryel metotlarla, benzen, tiyofen, furan, pirol, piridin, piridazin ve siklopentadien gibi halkaları kullanarak konjuge omurgalara sahip 5631 molekülden oluşan bir moleküler veri seti oluşturduk ve 6-31G(d) atomik baz setlerini B3LYP teorisi ile birlikte kullanarak hedef RE değerlerini elde ettik. RE tahmini için Ridge, Kernel Ridge ve derin sinir ağı (DSA) regresyon modellerini, moleküllerin çizge (graph) ve geometriye dayalı tanımlayıcıları ile geliştirdik. DSA'ların diğer metotlardan daha iyi performans gösterdiğini ve RE'nin R^2=0.92'lik bir belirleme katsayısı ve yaklaşık 12 meV'luk bir ortalama hata ile tahmin edilebileceğini gösterdik. Sonuç olarak projemiz kapsamında geliştirilen metodoloji sayesinde basit bir moleküler yapı şemasından veya moleküler mekanik metotları ile hızlıca elde edilebilecek moleküler geometrilerden, kuantum kimyasal hesaplar yapılmadan, reorganizasyon enerjilerinin tahmin edilebileceği gösterilmiştir.