Optical Properties throughout Chemical Space via Machine Learning
Project goals
The project aims at extending the application of machine learning techniques to optical properties and electronic spectroscopy throughout chemical space. The properties of interest are based on excited-state quantities where the present approaches are inefficient. Therefore, a solution similar to diabatization in configurational space is proposed. New molecular descriptors specific for excited-state properties will be designed as well. Moreover, we plan to predict new optical ensemble-averaged properties which will allow for prompt temperature-dependent electronic spectra estimations. Once we have sufficiently accurate predictive models, a genetic algorithm for inverse molecular design will be implemented and applied to the optimization of photolabile protecting groups which allow for a controlled light-induced release of biologically active molecules.
Keywords
optical propertieschemical spacemachine learningregressionmolecular design
Public support
Provider
Czech Science Foundation
Programme
—
Call for proposals
SGA0202200002
Main participants
Vysoká škola chemicko-technologická v Praze / Fakulta chemicko-inženýrská
Contest type
VS - Public tender
Contract ID
22-13489O
Alternative language
Project name in Czech
Predikce a optimalizace optických vlastností v chemickém prostoru pomocí strojového učení
Annotation in Czech
Projekt cílí na rozšíření použití technik strojového učení na optické vlastnosti a elektronovou spektroskopii v chemickém prostoru. Optické vlastnosti molekul jsou založené na veličinách excitovaných stavů, jejichž predikce je v současné době neefektivní. V projektu navrhujeme řešení analogické k diabatizaci v konfiguračním prostoru. V rámci projektu budou také navrženy nové molekulární deskriptory vhodné pro predikci vlastností excitovaných stavů. Dále budou predikovány nové optické vlastnosti založené na souborovém průměru geometrií, které umožní rychlé odhady teplotně závislých elektronových spekter. Po dosažení dostatečné přesnosti prediktivních modelů bude implementován genetický algoritmus pro inverzní design molekul, který bude použit pro optimalizaci fotolabilních chránicích skupin umožňujících cílené uvolňování biologicky aktivních látek pomocí světla.
Scientific branches
R&D category
ZV - Basic research
OECD FORD - main branch
10403 - Physical chemistry
OECD FORD - secondary branch
10301 - Atomic, molecular and chemical physics (physics of atoms and molecules including collision, interaction with radiation, magnetic resonances, Mössbauer effect)
OECD FORD - another secondary branch
—
BE - Theoretical physics
CF - Physical chemistry and theoretical chemistry
Solution timeline
Realization period - beginning
Oct 1, 2022
Realization period - end
Dec 31, 2025
Project status
K - Ending multi-year project
Latest support payment
Feb 29, 2024
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP25-GA0-GN-R
Data delivery date
Feb 21, 2025
Finance
Total approved costs
4,017 thou. CZK
Public financial support
4,017 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
4 017 CZK thou.
Public support
4 017 CZK thou.
100%
Provider
Czech Science Foundation
OECD FORD
Physical chemistry
Solution period
01. 10. 2022 - 31. 12. 2025