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

Hyttinen, Noora
Pihlajamäki, Antti
Häkkinen, Hannu

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