论文部分内容阅读
量子化学计算在解释和预测中小分子的实验结果上有着巨大优势，但由于量子化学计算方法固有的近似使得误差难以避免。尤其是对于结构不规整的复杂大分子，计算误差更为明显。为了能够在较少的机时和计算资源下得到比较精确的计算结果，或者得到在现有的计算条件下传统量子化学计算难以获得的精确结果，我们将量子化学计算方法和智能计算方法相结合，期望能找出一些简单且高效的方法来提高量化计算的精确度，或对难以计算的物质性质进行预测。本文研究工作主要包括以下两个部分：1.研究了36个带额外电子的具有较高非线性光学响应的碱金属分子的非线性光学性质。分别用计算精度不同的二级微扰方法（MP2）和Hartree-Fock（HF）方法来计算这些分子的第一超级化率值。MP2方法计算精度较高，比较接近实验值，但会随着分子体系的增大而消耗大量的计算时间和资源；Hartree-Fock方法的计算效率较高，但其计算结果和实验值差距较大，精度难以令人满意。因此我们采用极限学习机神经网络方法（ELMNN）来为低精度方法和高精度方法的计算值之间建立起某种数量关系模型，用低精度方法的计算值来预测高精度方法的计算值。本文利用ELMNN方法在HF方法计算结果基础上预测MP2方法的计算结果，预测值和目标值之间差异的均方根偏差值（RMS）只有了0.02a.u.，所需的时间也较高精度计算方法（MP2）大幅度缩减，为原有MP2方法的所需时间的25％至42％。2.研究了90个氟硼荧（BODIPY）染料分子的电子激发能性质。电子激发能是使电子从基态跃迁到激发态而需要的能量，是分子的一个重要的物理属性，它包含了分子的内在结构信息和电子特性，因此对于研究如何提高BODIPY染料的光谱性能及应用领域来说也是非常重要的一个属性。常用来计算激发能的B3LYP方法计算结果同样难以令人满意，尤其对于分子尺寸较大的体系。因此我们同样采用极限学习机神经网络方法（ELMNN）来在精确预测氟硼荧染料分子（BODIPY）的电子激发能值。此外，为了考量不同类型物理参数对应的物理化学性质与电子激发能的关系，我们用了四组分子描述符来进行比较，实验结果表明量化计算分子描述符（quantum chemicaldescriptors）的预测结果最好，计算结果偏差的RMS仅为0.13eV，也同时说明量化计算分子描述符与电子激发能的相关性更高。最后，本文还将ELMNN方法通过网络应用的形式在网上提供BODIPY分子电子激发能的预测服务，并将该预测工具命名为EEEBPre(Prediction of electronic excitation energies for BODIPY dyes），访问地址为：http://202.198.129.218。这一应用服务可以提供BODIPY分子的较高精度的激发能预测值，可以为从事理论和实验研究的化学家们提供这一领域的有效研究工具。