基于深度张量神经网络预测有机分子与水分子或者离子之间的相互作用能

发布时间：2022-02-17 18:38

　　快速、准确的计算分子间的相互作用能对高效准确的实现分子动力学模拟起着至关重要的作用。在现有的方法中,基于分子力场的相互作用能计算速度快,但精度不高。基于量子化学的相互作用能计算精度很高,但对计算资源和计算时间都有更高的要求。于是,发展快速、高精度的相互作用能计算框架就变的非常必要。近年来,深度学习已经在众多学科和应用领域取得了突破性的进展。本文利用深度张量神经网络的理论方法预测有机分子和水分子以及有机分子和离子之间的相互作用能,进而在相对高的精度下,快速合理地预测其物理化学性质。深度神经网络通过卷积、池化等操作构建多隐层的网络,通过大量的数据训练隐层中的节点权重,实现对数据中隐含特性的学习。深度张量神经网络是深度神经网络的进一步发展。在深度张量神经网络中,输入信息通过基函数转换为一组张量。深度张量神经网络通过卷积提取有效信息。首先在固定范围内,生成大量的有机分子和水分子或者有机分子和不同种类离子的分子结构文件。并通过量化计算软件Gaussian09在B3LYP方法和6-31+G*基组下得到体系中两分子之间的相互作用能并生成数据集。然后,以体系中的原子的相互距离以及原子类型作为网络输入,... 

【文章来源】：辽宁师范大学辽宁省

【文章页数】：45 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1.引言
    1.1 深度张量神经网络
        1.1.1 人工智能
        1.1.2 机器学习
        1.1.3 深度学习
        1.1.4 深度张量神经网络
    1.2 有机分子相互作用能对于分子动力学模拟的研究意义
    1.3 深度神经网络计算相互作用能的优势
    1.4 本文结构
2.量化计算相互作用能
    2.1 构建数据集
        2.1.1 甲醇分子与水分子
        2.1.2 甲醇分子与不同类型离子
    2.2 量子化学计算相互作用能
        2.2.1 方法与基组
        2.2.2 BSSE校正
    2.3 体系中原子的电荷分布
    2.4 本章小结
3.DTNN预测能量
    3.1 DTNN
        3.1.1 DTNN的输入
        3.1.2 DTNN的输出
        3.1.3 D_(ij)的高斯特征展开
        3.1.4 T次交互传递
        3.1.5 相互作用能E_i
    3.2 DTNN的实现
    3.3 DTNN的交叉验证训练结果
        3.3.1 甲醇分子与水分子的训练结果
        3.3.2 甲醇分子与钠离子的训练结果
        3.3.3 甲醇分子与钾离子的训练结果
        3.3.4 甲醇分子与氯离子的训练结果
    3.4 本章小结
4.结果分析
    4.1 甲醇分子与水分子的数据分析
    4.2 甲醇分子与钠离子的数据分析
    4.3 甲醇分子与钾离子的数据分析
    4.4 甲醇分子与氯离子的数据分析
    4.5 DTNN与量化计算耗时比对
    4.6 DTNN应用
    4.7 本章小结
5.结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3629909