基于平均影响值的反向传播神经网络方法用于提高密度泛函理论计算Y-NO键均裂能精度

将基于平均影响值(Mean impact value,MIV)的反向传播神经网络(Back propagation neural netowrk,BPNN)(MIV-BPNN)方法用于提高密度泛函理论(Density functional theory,DFT)计算Y—NO(Y=N,S,O及C)键均裂能的精度.利用量子化学计算和MIV-BPNN联合方法计算92个含Y—NO键的有机分子体系的均裂能.结果表明,相对于单一的密度泛函理论B3LYP/6-31G(d)方法,利用全参数下的BPNN方法计算92个有机分子均裂能的均方根误差从22.25 kJ/mol减少到1.84 kJ/mol,而MIV-BPNN方法使均方根误差减少到1.36 kJ/mol,可见B3LYP/6-31G(d)和MIV-BPNN联合方法可以提高均裂能的量子化学计算精度,并可预测实验上无法获取的均裂能值.