La IA y los problemas difíciles del mundo · Química y materiales · arXiv · 2026-10-21
Aprendizaje de estados de respuesta para una caracterización espectroscópica vibracional transferible con prior de electrones
Título original: Response-state Learning for Transferable Vibrational Spectroscopic Characterization with Electron Prior
La predicción de espectros vibracionales se vuelve inexacta cuando entornos estereoelectrónicos localizados perturban estados de respuesta intermedios y las unidades de respuesta de alto riesgo dominan las huellas espectrales. Las SO(3) Equivariant Neural Kalman Networks (SENK) forman una cascada de estados de respuesta que combina una columna vertebral transformer equivariante para el aprendizaje del hessiano, de las derivadas del dipolo y de las derivadas de la polarizabilidad, un puente Equivariant Neural Kalman para el refinamiento dependiente del estado y la detección de fiabilidad, y una vía de prior electrónico basada en NBO. SENK supera a DetaNet en QM9S y QMe14S al tiempo que preserva la fidelidad de IR y Raman de espectro completo desde moléculas pequeñas hasta sistemas similares a fármacos, y permanece estable en sistemas biomoleculares con efectos estereoelectrónicos complejos.