Molekulová dynamika excitovaných stavů s neadiabatickými a spinorbitálními efekty s asistencí strojového učení
Cíle projektu
Molekulová dynamika excitovaných stavů se zahrnutím neadiabatických a spinorbitálních efektů je důležitým teoretickým nástrojem pro simulaci fotochemických procesů, které hrají důležitou roli v přírodě a technologii, jako např. fotosyntéza, fototerapie, fotovoltaika aj. Její výpočetní náročnost při použití ab-inito či DFT metod je ale velmi limitující jak co se týče velikosti studovaných molekul, tak ohledně délky a počtu počítaných trajektorií. Strojové učení (ML) získalo v poslední době popularitu díky širokým aplikacím v mnoha oblastech vědy, průmyslu a komerce. Nedávno se ML metody uplatnily i pro urychlení simulací molekulové dynamiky v základním stavu a pokroku bylo dosaženo i v ML excitovaných stavů a neadiabatických efektů. Cílem tohoto projektu je implementovat metody strojového učení pro molekulovou dynamiku s neadiabatickými a spinorbitálními vazbami a provést ML-akcelerované MD simulace v excitovaných stavech, kdy dochází k interní konverzi i mezisystémovému přechodu, s aplikacemi na (modifikované) DNA báze.
Klíčová slova
molecular dynamicsnon-adiabatic couplingsspin-orbit couplingsexcited statesmachine learning
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202300001
Hlavní účastníci
Ústav fyzikální chemie J. Heyrovského AV ČR, v. v. i.
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
23-06364S
Alternativní jazyk
Název projektu anglicky
Excited state molecular dynamics with non-adiabatic and spin-orbit effects assisted by machine learning
Anotace anglicky
Molecular dynamics in excited states including the non-adiabatic and spin-orbit effects is an important theoretical tool for the simulation of photochemical processes which play an important role in nature and technology, like e.g. photosynthesis, phototherapy, photovoltaics, etc. Its computational cost when ab-initio or DFT methods are employed is very limiting in both size of the molecules treated and the length and number of computed trajectories. Machine learning (ML) has recently become very popular thanks to its widespread applications in many areas of science, industry, and commerce. Recently the machine learning methods have been successfully employed to speed up the molecular dynamics in the ground state, and some progress was done also on the ML of excited states and non-adiabatic effects. The aim of this project is to implement ML methods for MD with nonadibatic and spin-orbit couplings and perform ML-accelerated molecular dynamics in excited states undergoing both internal conversion and intersystem crossing processes, with application to (modified) DNA bases.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10403 - Physical chemistry
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)CF - Fyzikální chemie a teoretická chemie
Termíny řešení
Zahájení řešení
1. 1. 2023
Ukončení řešení
31. 12. 2025
Poslední stav řešení
K - Končící víceletý projekt
Poslední uvolnění podpory
29. 2. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
21. 2. 2025
Finance
Celkové uznané náklady
7 373 tis. Kč
Výše podpory ze státního rozpočtu
7 373 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
7 373 tis. Kč
Statní podpora
7 373 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Physical chemistry
Doba řešení
01. 01. 2023 - 31. 12. 2025