A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Machine Learning for Predicting Chemical Potentials of Multifunctional Organic Compounds in Atmospherically Relevant Solutions (2022)
Hyttinen, N., Pihlajamäki, A., & Häkkinen, H. (2022). Machine Learning for Predicting Chemical Potentials of Multifunctional Organic Compounds in Atmospherically Relevant Solutions. Journal of Physical Chemistry Letters, 13(42), 9928-9933. https://doi.org/10.1021/acs.jpclett.2c02612
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Hyttinen, Noora; Pihlajamäki, Antti; Häkkinen, Hannu
Lehti tai sarja: Journal of Physical Chemistry Letters
eISSN: 1948-7185
Julkaisuvuosi: 2022
Ilmestymispäivä: 19.10.2022
Volyymi: 13
Lehden numero: 42
Artikkelin sivunumerot: 9928-9933
Kustantaja: American Chemical Society (ACS)
Julkaisumaa: Yhdysvallat (USA)
Julkaisun kieli: englanti
DOI: https://doi.org/10.1021/acs.jpclett.2c02612
Julkaisun avoin saatavuus: Avoimesti saatavilla
Julkaisukanavan avoin saatavuus: Osittain avoin julkaisukanava
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/83856
Tiivistelmä
We have trained the Extreme Minimum Learning Machine (EMLM) machine learning model to predict chemical potentials of individual conformers of multifunctional organic compounds containing carbon, hydrogen, and oxygen. The model is able to predict chemical potentials of molecules that are in the size range of the training data with a root-mean-square error (RMSE) of 0.5 kcal/mol. There is also a linear correlation between calculated and predicted chemical potentials of molecules that are larger than those included in the training set. Finding the lowest chemical potential conformers is useful in condensed phase thermodynamic property calculations, in order to reduce the number of computationally demanding density functional theory calculations.
YSO-asiasanat: orgaaniset yhdisteet; potentiaalienergia; termodynamiikka; lämpökemia; ilmakemia; laskennallinen kemia; tiheysfunktionaaliteoria; koneoppiminen
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Ilmakehän aerosolihiukkasten ainesosien termodynaamisten ominaisuuksien arvioiden parantaminen koneoppimisella
- Hyttinen, Noora
- Suomen Akatemia
Liittyvät tutkimusaineistot
OKM-raportointi: Kyllä
Raportointivuosi: 2022
JUFO-taso: 3