报告时间：2022年1月11日上午9：30

报告地点：前卫北区科技楼314会议室

邀请人：曲泽星

摘要：

势能面（PES）是化学动力学和光谱模拟的核心组成部分。我们对气体表面反应的反应动力学特别感兴趣，这要求PES能够准确有效地描述各向异性分子（包括键断裂和形成）和周期凝聚相系统。我将讨论解决这个问题的几种神经网络模型，特别关注如何以全局或局部的方式保持对称性和完整性。我们最近开发了物理启发的嵌入式原子神经网络（EANN）模型，该模型使用由原子轨道的线性组合构造的嵌入式原子的电子密度作为局部环境的原子描述符。考虑到轨道系数对其各自局部环境的依赖性，提出了一种递归循环来更新轨道系数，使其逐渐包含环境中完整的多体相互作用。这种递归EANN模型将局部描述符和消息传递神经网络连接起来，为机器学习势能面的进一步发展打开了新的窗口。如果有时间的话，我可能还会展示对称性在学习跃迁偶极矩时是如何起作用的，以及拓展到有外场作用下的势能模型。

参考文献

[1] B. Jiang, J. Li, H. Guo,Int. Rev. Phys. Chem.35, 479 (2016)

[2] Y. Zhang, C. Hu, B. Jiang, J. Phys. Chem. Lett., 10, 4962, (2019)

[2] Y. Zhang, S. Ye, J. Zhang, C. Hu, J. Jiang, and B. Jiang, J. Phys. Chem. B 124, 7284 (2020).

[2] Y. Zhang, C. Hu, B. Jiang,Phys. Chem. Chem. Phys. 23, 1815,(2021)

[3] Y. Zhang, J. Xia, and B. Jiang, Phys. Rev. Lett. 127, 156002 (2021)

报告人简介

蒋彬2012年在南京大学化学系获得博士学位，2015年起任中国科学技术大学教授，主要从事化学反应动力学的理论研究，2017年获基金委优秀青年基金支持，2021年度获中国化学会唐敖庆理论化学青年奖。近五年发表发表通讯作者文章50余篇，包括Nat.Commun., JACS, PRL, ACIE, Chem. Sci., JPCL等，引用5000余次，H-index 42。