Minimum Energy Conical Intersection Optimization Using DFT/MRCI(2)
Notice bibliographique
Résumé
The combined density functional theory and multireference configuration interaction (DFT/MRCI) method is a semiempirical electronic structure approach that is both computationally efficient and has predictive accuracy for the calculation of electronic excited states and for the simulation of electronic spectroscopies. However, given that the reference space is generated via a selected-CI procedure, a challenge arises in the construction of smooth potential energy surfaces. To address this issue, we treat the local discontinuities that arise as noise within the Gaussian progress regression framework and learn the surfaces by explicitly incorporating and optimizing a white-noise kernel. The characteristic polynomial coefficient surfaces of the potential matrix, which are smooth functions of nuclear coordinates even at conical intersections, are learned in place of the adiabatic energies and are used to optimize the DFT/MRCI(2) minimum energy conical intersection geometries for representative intersection motifs in the molecules ethylene, butadiene, and fulvene. One consequence of explicitly treating the noise in the surfaces is that the energy difference cannot be made arbitrarily small at points of nominal intersection. Despite the limitations, however, we find the structures as well as the branching spaces to compare well with ab initio MRCI and conclude that this approach is a viable method to learn a smooth representation of DFT/MRCI(2) surfaces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».