Machine learning and reaction dynamics: From spectroscopic constants of diatomic molecules to buffer gas chemistry

Abstract

This thesis explores the spectroscopic properties and chemistry of diatomic molecules, which hold significant promise for applications in areas like quantum information and ultracold chemistry.

Firstly, the Diatomic Molecular Spectroscopy Database, accessible through a dynamic website, has been implemented. This database predominantly consolidates spectroscopic information while enabling the computation and visualization of Franck-Condon factors, and is adaptable for user contributions. Based on this database, machine learning models have been built to effectively reveal relationships among spectroscopic constants, with input features based on constituent atoms' group and period. Similarly, a comprehensive dataset of contemporary experimental electric dipole moments has been created. Utilizing this dataset, it has been shown that a machine learning model can accurately predict dipole moments using spectroscopic constants.

The availability of precise spectroscopic data allows for a rigorous assessment of advanced quantum chemistry methods. Specifically, we investigated the accuracy of coupled-cluster with single, double, and perturbative triple excitations [CCSD(T)] in predicting electric dipole moments when combined with different basis sets. Additionally, the hyperfine constants for the a$^3\Pi$ state of aluminum monofluoride (AlF) have been computed and compared to experimental values. Our study underscores the significance of a thorough evaluation encompassing both experimental and theoretical methodologies.

AlF and calcium monofluoride (CaF), among other metal monofluorides, have emerged as highly promising options for experiments involving laser cooling and trapping of cold molecules. We have compared the efficiency of different fluorine-donor molecules producing AlF and CaF through metal atom ablation in a buffer gas cell. Additionally, we present an efficient machine learning method for fitting the potential energy surface of AlF-AlF system, trained on relevant configurations from molecular dynamics simulations at the CCSD(T) level.

Die vorliegende Arbeit beschäftigt sich mit der Erforschung der spektroskopischen Eigenschaften und Chemie von zweiatomigen Molekülen, die für Anwendungen in Bereichen wie Quanteninformation und ultrakalte Chemie vielversprechend sind.

Zunächst wurde eine Datenbank zur Spektroskopie zweiatomiger Moleküle implementiert, die über eine dynamische Website zugänglich ist. Diese Datenbank konsolidiert hauptsächlich spektroskopische Informationen und ermöglicht gleichzeitig die Berechnung und Visualisierung des Franck-Condon-Faktors und ist für Benutzerbeiträge anpassbar.

Basierend auf dieser Datenbank wurden Machine-Learning-Modelle entwickelt, um die Beziehungen zwischen den spektroskopischen Konstanten zweiatomiger Moleküle aufzudecken, wobei die Eingabemerkmale auf der Gruppe und der Periode der beteiligten Atome basieren. Ebenso wurde ein umfassender Datensatz mit aktuellen experimentellen elektrischen Dipolmomenten erstellt. Unter Verwendung dieses Datensatzes wurde gezeigt, dass ein Machine-Learning-Modell Dipolmomente genau vorhersagen kann, indem es spektroskopische Konstanten verwendet.

Die Verfügbarkeit präziser spektroskopischer Daten ermöglicht eine gründliche Bewertung fortschrittlicher quantenchemischer Methoden. Insbesondere untersuchten wir die Genauigkeit des gekoppelten Clusteransatzes mit einfachen, doppelten und perturbativen dreifachen Anregungen (CCSD(T)) bei der Vorhersage von elektrischen Dipolmomenten in Kombination mit verschiedenen Basissätzen. Zusätzlich wurden die Hyperfeinstrukturkonstanten für den a$^3\Pi$-Zustand von Aluminiummonofluorid (AlF) berechnet und mit experimentellen Werten verglichen. Unsere Studie betont die Bedeutung einer gründlichen Bewertung, die sowohl experimentelle als auch theoretische Methoden umfasst.

AlF und Calciummonofluorid (CaF) haben sich neben anderen metallischen Monofluoriden als äußerst vielversprechende Optionen für Experimente zur Laserkühlung und zum Einfangen von kalten Molekülen herausgestellt. Wir haben die Effizienz verschiedener Fluor-Donor-Moleküle verglichen, die AlF und CaF durch Metallatom-ablation in einer Puffergaszelle erzeugen. Darüber hinaus präsentieren wir eine effiziente Methode des maschinellen Lernverfahrens zur Anpassung der potenziellen Energiefläche des AlF-AlF-Systems, das auf relevanten Konfigurationen aus Molekulardynamik-Simulationen auf dem CCSD(T)-Niveau trainiert wurde.