Spectroscopie infrarouge par machine learning
Plusieurs méthodes sont disponibles pour calculer l'anharmonicité des molécules semi-rigides. Toutefois, ces méthodes ne sont pas encore utilisées de façon systématique en raison de leur coût de calcul élevé, en particulier pour les grosses molécules. La surface d'énergie potentielle est requise et généralement approximée par un potentiel de champ de force quartique basé sur un calcul ab initio, limitant ainsi cette approche aux molécules de taille moyenne. Nous développons une nouvelle approche hybride précise de mécanique quantique et d'apprentissage machine (QM/ML) afin de réduire le temps de calcul pour les grands systèmes.
Collaborations :Julien LAM, CEMES , Toulouse ; Gaetan LAURENS iLM ; Daniel PELÁEZ, ISMO, Paris-Saclay
Infrared spectroscopy assisted by machine learning
Several methods are available to compute the anharmonicity in semirigid molecules. However, such methods are not yet routinely employed because of their high computational cost, especially for large molecules. The potential energy surface is required and generally approximated by a quartic force field potential based on ab initio calculation, thus limiting this approach to medium-sized molecules. We develope a new accurate hybrid quantum mechanics/machine learning (QM/ML) approach to reduce the computational time for large systems.
Collaborations :Julien LAM, CEMES , Toulouse ; Gaetan LAURENS iLM ; Daniel PELÁEZ, ISMO, Paris-Saclay