Molecular descriptors and big data analysis to extrapolate materials properties.

Abstract

En este trabajo se explora una selección de descriptores moleculares que incluyan información tanto espacial como electrónica. Haciendo uso de estos descriptores se propone simplificar operaciones complejas como la Optimización de Geometrías y la obtención del Espectro de Absorción. Se ha estudiado la validez de los nuevos descriptores utilizando distintos modelos de aprendizaje automático como el Regresión Ridge con Kernel y las Redes Neuronales. Se demuestra que el uso del descriptore-State es suficiente para representar el entorno atómico. Utilizando una unidad de representación para el entorno de un átomo denominada bloque se predicen las coordenadas de los átomos mas cercanos. Pero se necesita más información para la correcta propagación de los enlaces moleculares.Los resultados que se presentan avalan la utilización de propiedades obtenidas de cálculos del Estado Fundamental para la predicción de propiedades de Estados Excitados. Las Convolutional Neural Network son capaces de emular el salto complejo entre funcionales de correlación e intercambio.