[發明專利]一種通過深度學習計算甲醇分子能量的方法

在審

• 申請號: 201811133775.0
• 申請日: 2018-09-27
• 公開（公告）號: CN109326334A
• 公開（公告）日: 2019-02-12
• 發明（設計）人: 周立川;崔洪光;王旋;魏俊峰
• 申請（專利權）人: 大連大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C10/00
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 胡景波

本發明公開了一種通過深度學習計算甲醇分子能量的方法，屬于分子能量計算技術領域，包括步驟S1：構建甲醇分子數據庫；S2：隨機選取m個構型和對應能量作為訓練組，其余1000?m個構型和對應能量作為測試組；S3：將訓練組甲醇分子空間坐標轉化為11個參數，并組成訓練組構型參數輸入矩陣；S4：提取訓練組能量數據作為訓練組輸出能量矩陣，并與訓練組構型參數輸入矩陣一一對應；S5：構建測試組構型參數輸入矩陣和測試組輸出能量矩陣，矩陣行數為1000?m；S6：采用雙神經層計算結構對甲醇分子能量進行學習。本發明減小了訓練組和測試組的比值對于訓練結果準確性的影響。

技術領域

本發明涉及分子能量計算技術領域，具體涉及一種通過深度學習計算甲醇分子能量的方法。

背景技術

當代人工智能的機器學習，在分子結構優化、最低能量計算領域中，顯著特點是隨著初始矩陣自由度的增大，即分子結構越復雜自由度越大，必須增大訓練組與測試組的比值，才能得到準確的結果。受這一特點的制約，該方法在復雜分子體系或多分子體系應用中，很難得到滿意結果。

發明內容

為解決現有技術中存在的缺陷，本發明提供一種通過深度學習計算甲醇分子能量的方法，減小了訓練組和測試組的比值對于訓練結果準確性的影響。

本發明為解決其技術問題所采用的技術方案是：一種通過深度學習計算甲醇分子能量的方法，包括如下步驟：

S1：構建甲醇分子數據庫，所述甲醇分子數據庫包含1000個不同構型甲醇分子的空間坐標和與構型對應的能量；

S2：隨機選取m個構型和對應能量作為訓練組，其余1000-m個構型和對應能量作為測試組；

S3：將訓練組甲醇分子空間坐標轉化為C-O鍵鍵長r_C-O、O-H4鍵鍵長r_O-H4、C-O-H4鍵角θ、H1-C-O-H4二面角φ的三角余弦函數cosφ以及原子間距離的倒數，包括：1/r_C-O,1/r_O-H4,1/r_C-H4,1/r_O-H1,1/r_H4-H1,1/r_H4-H2,1/r_H4-H3，并以此11個參數組成訓練組構型參數輸入矩陣；

S4：提取訓練組能量數據作為訓練組輸出能量矩陣，并與訓練組構型參數輸入矩陣一一對應，即訓練組構型參數輸入矩陣R和輸出能量矩陣E^real分別為：

S5：構建測試組構型參數輸入矩陣和測試組輸出能量矩陣，矩陣行數為n＝1000-m；即測試組構型參數輸入矩陣R*和測試組輸出能量矩陣E^real*分別為：

S6：依據訓練組構型參數，采用雙神經層計算結構對甲醇分子能量進行學習，經過雙神經層計算得到甲醇分子能量矩陣E^calc：

E^calc＝[tf.nn.relu(R×W_in+b_in)]×W_out+b_out；

其中tf.nn.relu為線性整流函數，R為訓練組構型參數輸入矩陣，W_in為第一神經層權重矩陣，b_in為第一神經層偏置矩陣，W_out為第二神經層權重矩陣，b_out為第二神經層偏置矩陣。