一种通过深度学习计算乙烷分子能量的方法技术

本发明专利技术公开了一种通过深度学习计算乙烷分子能量的方法，属于分子能量计算技术领域，包括如下步骤：S1：构建乙烷分子数据库；S2：随机选取m个构型和对应能量作为训练组，其余1000‑m个作为测试组；S3：将训练组分子空间坐标转化并组成训练组构型参数输入矩阵；S4：提取训练组能量数据作为训练输出能量矩阵，并与训练组构型参数输入矩阵一一对应；S5：构建测试组构型参数输入矩阵和输出能量矩阵，矩阵行数为1000‑m；S6：经过双神经层计算得到乙烷分子能量矩阵E

A Method of Calculating Ethane Molecular Energy by Deep Learning

The invention discloses a method for calculating the molecular energy of ethane through in-depth learning, which belongs to the technical field of molecular energy calculation, including the following steps: S1: constructing ethane molecular database; S2: randomly selecting m configurations and corresponding energies as training groups, and the remaining 1000 m as testing groups; S3: transforming the coordinates of the training group into the input moments of the configuration parameters of the training group. Matrix; S4: Extract training group energy data as training output energy matrix, and one-to-one correspondence with training group configuration parameter input matrix; S5: Construct test group configuration parameter input matrix and output energy matrix, the number of rows of matrix is 1000 m; S6: Obtain ethane molecular energy matrix E through double nerve layer calculation.

【技术实现步骤摘要】
一种通过深度学习计算乙烷分子能量的方法
本专利技术涉及分子能量计算
，具体涉及一种通过深度学习计算乙烷分子能量的方法。
技术介绍
当代人工智能的机器学习，在分子结构优化、最低能量计算领域中，显著特点是随着初始矩阵自由度的增大，即分子结构越复杂自由度越大，必须增大训练组与测试组的比值，才能得到准确的结果。受这一特点的制约，该方法在复杂分子体系或多分子体系应用中，很难得到满意结果。
技术实现思路
为解决现有技术中存在的缺陷，本专利技术提供一种通过深度学习计算乙烷分子能量的方法，减小了训练组和测试组的比值对于训练结果准确性的影响。本专利技术为解决其技术问题所采用的技术方案是：一种通过深度学习计算乙烷分子能量的方法，包括如下步骤：S1：构建乙烷分子数据库，所述乙烷分子数据库包含1000个不同构型乙烷分子的空间坐标和与构型对应的能量；S2：随机选取m个构型和对应能量作为训练组，其余1000-m个构型和对应能量作为测试组；S3：将训练组分子空间坐标转化为：各成键原子间键长，包括C-H键键长rC1-H1，rC1-H2，rC1-H3，rC2-H4，rC2-H5，rC2-H6以及C-C键键长rC1-C2；分子中连续键结三原子形成的键角，包括C-C-H所形成的键角θC2-C1-H1，θC2-C1-H2，θC2-C1-H3，θC1-C2-H4，θC1-C2-H5，θC1-C2-H6，以及H-C-H所形成的键角θH1-C1-H2，θH1-C1-H3，θH2-C1-H3，θH4-C1-H5，θH4-C1-H6，θH5-C1-H6；分子中连续键结四原子形成的二面角，为H-C-C-H所形成的二面角，包括：φH1-C1-C2-H4，φH1-C1-C2-H5，φH1-C1-C2-H6，φH2-C1-C2-H4，φH2-C1-C2-H5，φH2-C1-C2-H6，φH3-C1-C2-H4，φH3-C1-C2-H5，φH3-C1-C2-H6；非键原子间的距离，包括：rH1-H4，rH1-H5，rH1-H6，rH2-H4，rH2-H5，rH2-H6，rH3-H4，rH3-H5，rH3-H6；令：∑rC-H＝rC1-H1+rC1-H2+rC1-H3+rC2-H4+rC2-H5+rC2-H6；∑θC-C-H＝θC2-C1-H1+θC2-C1-H2+θC2-C1-H3+θC1-C2-H4+θC1-C2-H5+θC1-C2-H6；∑θH-C-H＝θH1-C1-H2+θH1-C1-H3+θH2-C1-H3+θH4-C2-H5+θH4-C2-H6+θH5-C2-H6；并以：∑rC-H,rC1-C2,∑θC-C-H,∑θH-C-H,∑cos3φH-C-C-H,此十一个参数组成训练组构型参数输入矩阵；S4：提取训练组能量数据作为训练输出能量矩阵，并与训练组构型参数输入矩阵一一对应，即训练组构型参数输入矩阵R和训练组输出能量矩阵Ereal分别为：S5：构建测试组构型参数输入矩阵和输出能量矩阵，矩阵行数为1000-m；即测试组构型参数输入矩阵R*和测试组输出能量矩阵Ereal*分别为：S6：依据训练组构型参数，采用双神经层计算结构对乙烷分子能量进行学习，经过双神经层计算得到乙烷分子能量矩阵Ecalc：Ecalc＝[tf.nn.reln(R×Win+bin)]×Wout+bout；其中tf.nn.relu为线性整流函数，R为训练组构型参数输入矩阵，Win为第一神经层权重矩阵，bin为第一神经层偏置矩阵，Wout为第二神经层权重矩阵，bout为第二神经层偏置矩阵。进一步的，所述步骤S6的具体步骤为：第一神经层采用relu激活函数，第二神经层不采用任何激活函数，每层神经元个数为10个，第一神经层权重矩阵Win为：第一神经层偏置矩阵bin为：第二神经层权重矩阵Wout为：第二神经层偏置矩阵bout为：进一步的，Win和Wout初始值由随机数产生，bin和bout初始值全部设为0.1。本专利技术的有益效果是：解决了传统计算化学方法依赖CPU单核主频的问题，将当前最新的GPU计算技术应用于传统计算化学的分子能量计算领域，从而摆脱传统计算平台的制约；避免了收敛问题，将计算效率达到最优乙烷准，减小了训练组和测试组的比值对于训练结果准确性的影响。附图说明图1为本专利技术乙烷分子结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及实施例，对本专利技术的技术方案进行清楚、完整的描述。实施例1一种通过深度学习计算乙烷分子能量的方法，采用1000个不同构型乙烷分子的空间坐标和与之对应的能量。乙烷分子中，C-H键键长(rC1-H1，rC1-H2，rC1-H3，rC2-H4，rC2-H5，rC2-H6)变化范围为C-C键键长(rC1-C2)变化范围为分子中C-C-H所形成的键角(θC2-C1-H1，θC2-C1-H2，θC2-C1-H3，θC1-C2-H4，θC1-C2-H5，θC1-C2-H6，)变化范围为111.2±5°；H-C-H所形成的键角(θH1-C1-H2，θH1-C1-H3，θH2-C1-H3，θH4-C1-H5，θH4-C1-H6，θH5-C1-H6)变化范围为107.6±5°；以H1-C1-C2-H4所形成的二面角为基准形成各二面角(φH1-C1-C2-H4，φH1-C1-C2-H5，φH1-C1-C2-H6，φH2-C1-C2-H4，φH2-C1-C2-H5，φH2-C1-C2-H6，φH3-C1-C2-H4，φH3-C1-C2-H5，φH3-C1-C2-H6)，变化范围为0-360°。不同构型的乙烷分子能量由QuantumESPRESSO化学计算软件获得，方法为DFT。直接以分子构型训练分子能量，随机选取m个构型和对应能量作为训练组，其余1000-m个作为测试组，计算乙烷分子能量，验证训练结果的正确性。将训练组分子空间坐标转化为：各成键原子间键长，包括C-H键键长rC1-H1，rC1-H2，rC1-H3，rC2-H4，rC2-H5，rC2-H6以及C-C键键长rC1-C2；分子中连续键结三原子形成的键角，包括C-C-H所形成的键角θC2-C1-H1，θC2-C1-H2，θC2-C1-H3，θC1-C2-H4，θC1-C2-H5，θC1-C2-H6，以及H-C-H所形成的键角θH1-C1-H2，θH1-C1-H3，θH2-C1-H3，θH4-C1-H5，θH4-C1-H6，θH5-C1-H6；分子中连续键结四原子形成的二面角，为H-C-C-H所形成的二面角，包括：φH1-C1-C2-H4，φH1-C1-C2-H5，φH1-C1-C2-H6，φH2-C1-C2-H4，φH2-C1-C2-H5，φH2-C1-C2-H6，φH3-C1-C2-H4，φH3-C1-C2-H5，φH3-C1-C2-H6；非键原子间的距离，包括：rH1-H4，rH1-H5，rH1-H6，rH2-H4，rH2-H5，rH2-H6，rH3-H4，rH3-H5，rH3-H6；令：∑rC-H＝rC1-H1+rC1-H2+rC1-H3+rC2-H4+rC2-H5+rC2-H6；∑θC-C-H＝θC2-C1-H1+θC2-C1-H2+θC2-C1-H3+θC1-C2-H4+θC1-C2-H本文档来自技高网...

【技术保护点】
1.一种通过深度学习计算乙烷分子能量的方法，其特征在于，包括如下步骤：S1：构建乙烷分子数据库，所述乙烷分子数据库包含1000个不同构型乙烷分子的空间坐标和与构型对应的能量；S2：随机选取m个构型和对应能量作为训练组，其余1000‑m个构型和对应能量作为测试组；S3：将训练组分子空间坐标转化为：各成键原子间键长，包括C‑H键键长rC1‑H1，rC1‑H2，rC1‑H3，rC2‑H4，rC2‑H5，rC2‑H6以及C‑C键键长rC1‑C2；分子中连续键结三原子形成的键角，包括C‑C‑H所形成的键角θC2‑C1‑H1，θC2‑C1‑H2，θC2‑C1‑H3，θC1‑C2‑H4，θC1‑C2‑H5，θC1‑C2‑H6，以及H‑C‑H所形成的键角θH1‑C1‑H2，θH1‑C1‑H3，θH2‑C1‑H3，θH4‑C1‑H5，θH4‑C1‑H6，θH5‑C1‑H6；分子中连续键结四原子形成的二面角，为H‑C‑C‑H所形成的二面角，包括：φH1‑C1‑C2‑H4，φH1‑C1‑C2‑H5，φH1‑C1‑C2‑H6，φH2‑C1‑C2‑H4，φH2‑C1‑C2‑H5，φH2‑C1‑C2‑H6，φH3‑C1‑C2‑H4，φH3‑C1‑C2‑H5，φH3‑C1‑C2‑H6；非键原子间的距离，包括：rH1‑H4，rH1‑H5，rH1‑H6，rH2‑H4，rH2‑H5，rH2‑H6，rH3‑H4，rH3‑H5，rH3‑H6；令：...

【技术特征摘要】
1.一种通过深度学习计算乙烷分子能量的方法，其特征在于，包括如下步骤：S1：构建乙烷分子数据库，所述乙烷分子数据库包含1000个不同构型乙烷分子的空间坐标和与构型对应的能量；S2：随机选取m个构型和对应能量作为训练组，其余1000-m个构型和对应能量作为测试组；S3：将训练组分子空间坐标转化为：各成键原子间键长，包括C-H键键长rC1-H1，rC1-H2，rC1-H3，rC2-H4，rC2-H5，rC2-H6以及C-C键键长rC1-C2；分子中连续键结三原子形成的键角，包括C-C-H所形成的键角θC2-C1-H1，θC2-C1-H2，θC2-C1-H3，θC1-C2-H4，θC1-C2-H5，θC1-C2-H6，以及H-C-H所形成的键角θH1-C1-H2，θH1-C1-H3，θH2-C1-H3，θH4-C1-H5，θH4-C1-H6，θH5-C1-H6；分子中连续键结四原子形成的二面角，为H-C-C-H所形成的二面角，包括：φH1-C1-C2-H4，φH1-C1-C2-H5，φH1-C1-C2-H6，φH2-C1-C2-H4，φH2-C1-C2-H5，φH2-C1-C2-H6，φH3-C1-C2-H4，φH3-C1-C2-H5，φH3-C1-C2-H6；非键原子间的距离，包括：rH1-H4，rH1-H5，rH1-H6，rH2-H4，rH2-H5，rH2-H6，rH3-H4，rH3-H5，rH3-H6；令：∑rC-H＝rC1-H1+rC1-H2+rC1-H3+rC2-H4+rC2-H5+rC2-H6；∑θC-C-H＝θC2-C1-H1+θC2-C1-H2+θC2-C1-H3+θC1-C2-H4+...

【专利技术属性】
技术研发人员：周立川，崔洪光，蒋瑞，魏俊峰，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21