ИИ и сложнейшие проблемы мира · Химия и материалы · arXiv · 2026-10-21
Обучение состояний отклика для переносимой характеризации методом колебательной спектроскопии с электронным априорным знанием
Оригинальное название: Response-state Learning for Transferable Vibrational Spectroscopic Characterization with Electron Prior
Предсказание колебательных спектров становится неточным, когда локализованные стереоэлектронные окружения возмущают промежуточные состояния отклика, а единицы отклика высокого риска доминируют в спектральных отпечатках. Эквивариантные нейронные сети Калмана SO(3) (SENK) образуют каскад состояний отклика, объединяющий эквивариантный трансформерный остов для обучения гессианов, производных дипольного момента и производных поляризуемости, мост Equivariant Neural Kalman для уточнения с учётом состояния и оценки надёжности, а также путь электронных априорных оценок на основе NBO. SENK превосходит DetaNet на QM9S и QMe14S, сохраняя точность полноспектральных ИК- и рамановских спектров от малых молекул до систем, подобных лекарственным препаратам, и остаётся стабильной в биомолекулярных системах со сложными стереоэлектронными эффектами.