MARC

 008250123s2024        us                              c    eng  d
■001000017163222
■00520250211152640
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384026952
■035    ▼a(MiAaPQ)AAI31485148
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a540
■1001  ▼aMaier,  Sarah.
■24510▼aBalancing  Accuracy  and  Efficiency  in  Quantum  Chemistry:  Computational  Models  Employing  Molecular  Fragmentation  and  Machine  Learning
■260    ▼a[Sl]▼bIndiana  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a267  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Raghavachari,  Krishnan.
■5021  ▼aThesis  (Ph.D.)--Indiana  University,  2024.
■520    ▼aQuantum  chemistry  seeks  to  understand  and  explain  the  behavior  of  electrons  within  molecular  systems.  Computational  methods  which  exploit  quantum  chemical  principles  probe  chemical  structure  at  the  most  fundamental  level  and  allow  for  unparalleled  accuracy.  However,  highly  accurate  methods,  for  example  the  "gold  standard"  CCSD(T)  method,  scale  steeply  with  the  size  of  the  system.  Thus,  modeling  complex  electronic  interactions  both  accurately  and  efficiently  remains  a  grand  challenge.  Over  recent  decades,  theoretical  chemists  have  devised  and  advanced  various  approximate  methods  in  order  to  mitigate  the  effects  of  steep  computational  scaling.  In  particular,  the  advent  of  hybrid  quantum  mechanical  (QM)  methods  has  made  feasible  the  study  of  increasingly  diverse  and  complex  systems. The  work  presented  herein  focuses  on  the  development  and  application  of  a  few  such  methods,  with  relevance  to  a  wide  range  of  systems.  This  work  presents  several  computational  models  capable  of  correcting  deficiencies  in  low  accuracy  density  functional  theory  methods.  The  first  half  of  this  dissertation  presents  a  series  of  models  that  leverage  physics-based  QM  methods  as  well  as  machine  learning  (ML)  techniques  for  highly  accurate  predictions  of  various  physiochemical  properties  of  small  molecules.  In  particular,  the  applicability  of  these  error  correction  schemes  is  highlighted  through  studies  of  redox  potentials,  ionization  potentials,  and  pKas.  In  the  later  half,  we  highlight  work  done  in  the  efficient  application  of  QM  methods  to  the  calculation  of  protein-ligand  binding  energies.  Specifically,  we  employ  the  molecular  fragmentation  method,  Molecules-In-Molecules  or  MIM,  to  render  QM  calculations  of  large  biological  complexes  more  computationally  tractable.  Finally,  we  demonstrate  the  efficient incorporation  of  dynamical  effects  into  our  MIM  protein-ligand  binding  protocol  using  molecular  fragmentation  and  unsupervised  ML.
■590    ▼aSchool  code:  0093.
■650  4▼aChemistry
■650  4▼aQuantum  physics
■650  4▼aPhysical  chemistry
■650  4▼aComputational  chemistry
■650  4▼aMolecular  chemistry
■653    ▼aQuantum  chemistry
■653    ▼aMolecular  systems
■653    ▼aQuantum  mechanical
■653    ▼aMachine  learning
■653    ▼aRedox  potentials
■690    ▼a0485
■690    ▼a0599
■690    ▼a0431
■690    ▼a0800
■690    ▼a0219
■690    ▼a0494
■71020▼aIndiana  University▼bChemistry.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0093
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163222▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서