ترجمه فارسی مقاله طیف سنجی مادون قرمز کامپوزیت کارآمد: ترکیب تقریب مضاعف هارمونیک با پتانسیل های یادگیری ماشین

چکیده

Vibrational spectroscopy is a cornerstone technique for molecular characterization and offers an ideal target for the computational investigation of molecular materials. Building on previous comprehensive assessments of efficient methods for infrared (IR) spectroscopy, this study investigates the predictive accuracy and computational efficiency of gas-phase IR spectra calculations, accessible through a combination of modern semiempirical quantum mechanical and transferable machine learning potentials. A composite approach for IR spectra prediction based on the doubly-harmonic approximation, utilizing harmonic vibrational frequencies in combination squared derivatives of the molecular dipole moment, is employed. This approach allows for methodical flexibility in the calculation of IR intensities from molecular dipoles and the corresponding vibrational modes. Various methods are systematically tested to suggest a suitable protocol with an emphasis on computational efficiency. Among these methods, semiempirical extended tight-binding (xTB) models, classical charge equilibrium models, and machine learning potentials trained for dipole moment prediction are assessed across a diverse dataset of organic molecules. We particularly focus on the recently reported machine learning potential MACE-OFF23 to address the accuracy limitations of conventional low-cost quantum mechanical and force-field methods. This study aims to establish a standard for the efficient computational prediction of IR spectra, facilitating the rapid and reliable identification of unknown compounds and advancing automated analytical workflows in chemistry.

چکیده به فارسی (ترجمه ماشینی)

طیف سنجی ارتعاش یک روش سنگ بنای سنگ بنای برای توصیف مولکولی است و یک هدف ایده آل برای بررسی محاسباتی مواد مولکولی ارائه می دهد.با استفاده از ارزیابی های جامع قبلی روشهای کارآمد برای طیف سنجی مادون قرمز (IR) ، این مطالعه به بررسی صحت پیش بینی کننده و کارایی محاسباتی محاسبات طیف های IR فاز گاز ، که از طریق ترکیبی از پتانسیل های یادگیری مکانیکی نیمه تجربی و قابل انتقال قابل دسترسی است.یک رویکرد کامپوزیت برای پیش بینی طیف IR بر اساس تقریب مضاعف هارمونیک ، با استفاده از فرکانس های ارتعاش هارمونیک در مشتقات مربع ترکیبی از لحظه دو قطبی مولکولی ، استفاده می شود.این روش امکان انعطاف پذیری روشمند در محاسبه شدت IR از قطب های مولکولی و حالت های ارتعاش مربوطه را فراهم می کند.روشهای مختلفی به طور سیستماتیک آزمایش می شوند تا پروتکل مناسبی را با تأکید بر بهره وری محاسباتی نشان دهند.در میان این روش ها ، مدلهای نیمه تجربی محدود به اتصال محکم (XTB) ، مدل های تعادل بار کلاسیک و پتانسیل های یادگیری ماشین که برای پیش بینی لحظه دو قطبی آموزش دیده اند ، در یک مجموعه داده متنوع از مولکول های آلی ارزیابی می شوند.ما به ویژه بر روی MACE-OFF23 بالقوه یادگیری ماشین اخیراً گزارش شده برای پرداختن به محدودیت های صحت روشهای مکانیکی کوانتومی کم هزینه معمولی و میدان نیرو تمرکز می کنیم.این مطالعه با هدف ایجاد استانداردی برای پیش بینی محاسباتی کارآمد طیف IR ، تسهیل شناسایی سریع و قابل اعتماد ترکیبات ناشناخته و پیشبرد گردش کار تحلیلی خودکار در شیمی.