News - Les états excités moléculaires sous l’angle de l’apprentissage automatique

Les états excités moléculaires sous l’angle de l’apprentissage automatique

Cette publication passe en revue un large éventail d’applications de machine learning dans la recherche sur les états excités des molécules, notamment la prédiction des propriétés moléculaires et la recherche de nouveaux matériaux optoélectroniques. Les auteurs analysent de manière critique les développements de la machine learning afin de suivre leurs progrès, d’évaluer l’état actuel de l’art et de mettre en évidence les problèmes critiques à résoudre à l’avenir.

Molecular excited states through a machine learning lens

Pavlo O. Dral, Mario Barbatti,
Nature Reviews Chemistry, 5 388-405 (2021)

Theoretical simulations of electronic excitations and associated processes in molecules are indispensable for fundamental research and technological innovations. However, such simulations are notoriously challenging to perform with quantum mechanical methods. Advances in machine learning open many new avenues for assisting molecular excited-state simulations. In this Review, we track such progress, assess the current state of the art and highlight the critical issues to solve in the future. We overview a broad range of machine learning applications in excited-state research, which include the prediction of molecular properties, improvements of quantum mechanical methods for the calculations of excited-state properties and the search for new materials. Machine learning approaches can help us understand hidden factors that influence photo-processes, leading to a better control of such processes and new rules for the design of materials for optoelectronic applications.

Collaboration : Pavlo O. Dral, Xiamen University http://dr-dral.com/

Financial support : H2020 ERC AdG, project SubNano, grant No 832237