基于深度张量神经网络理论预测有机小分子间的相互作用能

发布时间：2022-09-21 20:22

　　近年来,对有机分子体系、生物大分子体系、药物设计的研究进入到快速发展时代。对这些体系的研究,离不开分析分子构象之间的相互作用。虽然量子化学的理论计算方法和基于分子力场分子动力学模拟的方法对此是有效的,但是前者所需的计算时间和资源过多,后者又不能很好描述化学反应中分子的变化过程。因此,实现快速准确预测分子间的物理化学性质具有很大的理论和现实意义。本文结合当前热门的人工智能技术,提出一种结合量子化学计算方法的深度张量神经网络（Quantum Mechanics-Deep Tensor Neutral Network,QM-DTNN）,本方法采用将两个有机小分子构象组成的体系中的原子核电荷矢量和原子间距离矩阵作为深度神经网络的输入,把经量子化学计算得到的相互作用能作为神经网络的输出,对深度神经网络训练、验证和预测。在构建数据集时,使用分层生成构象的方法使分子构象以不同密度充满整个有效空间。用深度神经网络预测有机小分子间的相互作用能时,我们采用交叉验证的方法防止过拟合。本文对C4N2H4和C3NH5、C6H13NO4和C6H14O2两种不同的构象的分子间相互作用能进行神经网络训练,发现预测值与... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 引言
    1.1 有机小分子的相互作用
    1.2 分子动力学模拟
    1.3 量化计算
    1.4 神经网络概述
    1.5 国内外研究现状
    1.6 本文的主要工作
2 基于深度张量神经网络(DTNN)预测相互作用能
    2.1 分子间的相互作用能
    2.2 有机小分子的获得
    2.3 DTNN预测相互作用能的理论
        2.3.1 输入层原理
        2.3.2 输出层原理
        2.3.3 D_(ij)的高斯特征展开
        2.3.4 T相互传递
        2.3.5 E_t分子的能量
        2.3.6 DTNN的实现框架
    2.4 交叉验证
    2.5 本章小结
3 QM-DTNN与有机小分子的方法实现
    3.1 相互作用能的量化计算
    3.2 DTNN的输入
    3.3 训练和
        3.3.1 训练集分析
        3.3.2 验证集分析
        3.3.3 测试集分析
        3.3.4 训练结果的参数集合
    3.4 训练和
        3.4.1 训练集分析
        3.4.2 验证集分析
        3.4.3 测试集分析
        3.4.4 训练结果的参数集合
    3.5 静电相互作用与电荷转移
    3.6 本章小结
4 数据结果分析
    4.1 数据a的分析
    4.2 数据b的分析
    4.3 数据err_(mean)的分析
    4.4 数据err_(std)的分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]A neural network protocol for predicting molecular bond energy[J]. Chao Feng,Edward Sharman,Sheng Ye,Yi Luo,Jun Jiang.  Science China（Chemistry）. 2019(12)
[2]多原子反应体系的高精度拟合势能面[J]. 傅碧娜,陈俊,刘天辉,邵科杰,张东辉.  物理化学学报. 2019(02)
[3]RuCl3一步催化氧化液相乙醇合成1,1-二乙氧基乙烷[J]. 杨娜,张华,胡静,王公应,邓志勇.  精细化工. 2019(03)
[4]丁二腈作为电解液添加剂的研究[J]. 张春丽,叶学海,任春燕.  无机盐工业. 2015(04)
[5]尼龙66复合材料研究进展[J]. 李灿浩,林星五,程新生.  广州化工. 2012(22)
[6]计算化学在化学化工中的应用(上)[J]. 郑文锐.  上海化工. 2009(12)

博士论文
[1]多原子分子反应的全维势能面构建及动力学理论研究[D]. 卢晓晓.中国科学技术大学 2019

硕士论文
[1]丁二腈制备与提纯工艺的研究[D]. 王文强.青岛科技大学 2016
[2]绿色合成喹吖啶酮工艺研究[D]. 张志军.江西理工大学 2012
[3]喹吖啶酮及其衍生物的合成和颜料化研究[D]. 柳任飞.南京林业大学 2010



本文编号：3680602