产生化学结构的方法、神经网络设备和计算机可读记录介质技术

本发明专利技术涉及产生化学结构的方法、神经网络设备和计算机可读记录介质。通过神经网络设备实行的产生化学结构的方法包括接收目标性质值和目标结构特征值作为输入，基于所接收的输入选择第一代描述符，通过将遗传算法应用于所述第一代描述符而产生第二代描述符，通过使用第一神经网络和第二神经网络评价各第二代描述符的性质和结构，基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符，和通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。

Method of Generating Chemical Structure, Neural Network Equipment and Computer Readable Recording Media

【技术实现步骤摘要】
产生化学结构的方法、神经网络设备和计算机可读记录介质对相关申请的交叉引用本申请要求在韩国知识产权局于2018年1月17日提交的韩国专利申请No.10-2018-0006275的权益，将其公开内容通过引用全部引入本文中。
本公开内容涉及使用神经网络产生化学结构的方法和装置。
技术介绍
神经网络指的是模仿生物大脑(以生物大脑为模型)的计算架构。利用先进的神经网络技术，各种类型的电子系统已经通过使用神经网络分析输入的数据和提取的有效信息。近年来，已经对如下的方法进行了大量的研究：通过使用神经网络技术评价化学结构的性质来选择将用在材料开发中的化学结构。特别地，存在开发通过使用神经网络技术产生满足多种要求的新的化学结构的方法的需要。
技术实现思路
提供使用神经网络产生化学结构的方法和装置。此外，提供包括程序的计算机可读介质，所述程序当被计算机执行时，实行所述方法。待解决的技术问题不限于如所描述的这些，而是可存在其它技术问题。额外的方面将在随后的描述中部分地阐明，且部分地将由所述描述明晰，或者可通过所提供的实施方式的实践获悉。根据一种实施方式的方面，通过神经网络设备实行的产生化学结构的方法包括：接收目标性质值和目标结构特征值作为输入，基于所接收的输入选择第一代描述符，通过将遗传算法应用于所述第一代描述符而产生(多个)第二代描述符，通过使用第一神经网络评价各第二代描述符的性质和通过使用第二神经网络评价各第二代描述符的结构，基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符，和通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。根据另一实施方式的方面，配置成产生化学结构的神经网络设备包括配置成接收目标性质值和目标结构特征值作为输入的用户界面、存储至少一种程序的存储器、和配置成通过执行所述至少一种程序而驱动神经网络设备的处理器，其中所述处理器基于所接收的输入选择第一代描述符，通过将遗传算法应用于所述第一代描述符而产生第二代描述符，通过使用第一神经网络评价各第二代描述符的性质，通过使用第二神经网络评价各第二代描述符的结构，以及基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符，和通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。根据另一实施方式的方面，通过使用神经网络设备的条件变分自编码器(CVAE)产生化学结构的方法包括将第一描述符转换成低维潜在变量(潜变量，隐变量)，将所述潜在变量绘制(映射)成潜在图(map)，从所述潜在图选择从所述第一描述符转换的所述潜在变量未被绘制到其的区域，以及将所选择的区域的潜在变量转换成高维第二描述符和对于所述第二描述符产生化学结构。根据另一实施方式的方面，配置成通过使用条件变分自编码器(CVAE)产生化学结构的神经网络设备包括存储至少一种程序的存储器、和配置成通过执行所述至少一种程序而驱动神经网络设备的处理器，其中所述处理器将第一描述符转换成低维潜在变量，将所述潜在变量绘制成潜在图，从所述潜在图选择从所述第一描述符转换的所述潜在变量未被绘制到其的区域，以及将所选择的区域的潜在变量转换成高维第二描述符和对于所述第二描述符产生化学结构.根据另一实施方式的方面，计算机可读记录介质包括当被计算机执行时实行上述方法的程序。附图说明由结合附图考虑的实施方式的以下描述，这些和/或其它方面将变得明晰和更容易理解，其中：图1为说明根据实施方式的神经网络设备的硬件构造的方块图；图2为用于描述通过根据实施方式的深度(深层)神经网络(DNN)实行的计算的图；图3为用于描述通过根据实施方式的循环(递归)神经网络(RNN)实行的计算的图；图4为用于描述的通过根据实施方式的条件变分自编码器(CVAE)实行的计算的图；图5为说明根据实施方式的用于产生化学结构的神经网络系统的概念图；图6为用于示例性地描述根据实施方式的将物质的结构式作为字符串表达的实例的图；图7为用于描述根据实施方式的选择第一代描述符的过程的图；图8为用于描述根据实施方式的将遗传算法应用于第一代描述符的过程的图；图9A和9B为用于描述根据实施方式的评价描述符的性质和结构的过程的图；图10为根据实施方式的配置成通过使用CVAE产生化学结构的神经网络系统的概念图；图11为用于描述根据实施方式的通过使用DNN和RNN产生化学结构的方法的流程图；和图12为用于描述根据实施方式的通过使用CVAE产生化学结构的方法的流程图。具体实施方式现在将对实施方式详细地进行介绍，其实例示于附图中，其中相同的附图标记始终指的是相同的元件。在这点上，本实施方式可具有不同的形式且不应被解释为限于本文中阐明的描述。因此，下面仅通过参照附图描述实施方式以说明方面。如本文中使用的，术语“和/或”包括相关列举项目的一个或多个的任何和全部组合。表述例如“……的至少一个(种)”当在要素列表之前或之后时修饰整个要素列表而不修饰所述列表的单独要素。在整个说明书中使用的术语“根据一些实施方式”或者“根据(一种)实施方式”不一定表示相同的实施方式。本公开内容的一些实施方式可通过功能块(框)构造和各种处理操作描绘。这些功能块的一些或全部可使用各种数量的履行特定功能的硬件和/或软件组件(构件，成分)实施。例如，本公开内容的功能块可使用用于给定功能的一个或多个微处理器或电路实施。此外，例如，本公开内容的功能块可以多种编程或脚本语言实施。所述功能块可用在一个或多个处理器上运行的算法实施。本公开内容还可采用用于电子构造、信号处理、和/或数据处理的常规技术。术语“机构”、“元件”、“单元”和“构造”可在广义上使用且不限于机械和物理构造。此外，在附图中所示的在组件之间的连接线或连接构件仅仅说明功能性连接和/或物理或电路连接。在实际设备中，在组件之间的连接可由可被替换或添加的各种功能性连接、物理连接、或电路连接提供。同时，关于本文中使用的术语，作为在神经网络系统中使用的数据的描述符指的是用于描述物质的特性(特征)的指示值且可通过对给定的物质进行相对简单的计算而获得。根据实施方式，描述符可包括指示是否包括特定的局部结构的分子结构指纹(例如，摩根(Morgan)指纹和扩展连通指纹(ECFP))以及配置有可被立即计算的值例如分子量或者在分子结构中包括的局部结构(例如，环)的数量的定量结构-性质关系(QSPR)。另外，性质指的是由物质所拥有的特性并且可为通过实验测量的真实的数或者可通过模拟来计算。例如，当所述物质为显示(显示器)材料时，所述性质可为对于光的透射波长、发射波长等。当所述物质为电池材料时，所述性质可为电压。不同于描述符，性质的计算可需要复杂的模拟且花费长的时间。此外，结构指的是物质的原子水平结构。为了通过实行第一性原理计算而推导(得出)性质，需要将结构在原子水平上表达。因此，物质的结构需要被推导至原子水平以产生新的化学结构。所述结构可为基于原子键合关系的结构式或以简单的格式(一维)的字符串。表达结构的字符串的格式可为简化分子线性输入系统(规范)(SMILES)代码、SmilesArbitraryTargetSpecification(SMARTS)代码、国际化合物标识(InChi)代码等。另外，因子指的是定义描述符、本文档来自技高网...

【技术保护点】
1.产生化学结构的方法，所述方法是通过神经网络设备实行的并且包括：接收目标性质值和目标结构特征值作为输入；基于所接收的输入选择第一代描述符；通过将遗传算法应用于所述第一代描述符而产生第二代描述符；通过使用第一神经网络评价各第二代描述符的性质和通过使用第二神经网络评价各第二代描述符的结构；基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符；和通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。

【技术特征摘要】
2018.01.17 KR 10-2018-00062751.产生化学结构的方法，所述方法是通过神经网络设备实行的并且包括：接收目标性质值和目标结构特征值作为输入；基于所接收的输入选择第一代描述符；通过将遗传算法应用于所述第一代描述符而产生第二代描述符；通过使用第一神经网络评价各第二代描述符的性质和通过使用第二神经网络评价各第二代描述符的结构；基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符；和通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。2.如权利要求1所述的方法，其中所述候选描述符的选择进一步包括：当所选择的候选描述符的数量小于预定的值时，改变所述遗传算法的变换指数；和通过基于所改变的变换指数将遗传算法应用于所述第一代描述符而再产生第二代描述符。3.如权利要求1所述的方法，其中所述性质的评价包括：将所述第二代描述符输入到所述第一神经网络和产生各第二代描述符的性质值作为输出；和通过将所产生的性质值与所述目标性质值相比较而评价各第二代描述符的性质，其中所述第一神经网络为深度神经网络(DNN)。4.如权利要求1所述的方法，其中所述结构的评价包括：将所述第二代描述符输入到所述第二神经网络和产生各第二代描述符的结构特征值作为输出；和通过确定所产生的结构特征值是否包括所述目标结构特征值而评价各第二代描述符的结构，其中所述第二神经网络为循环神经网络(RNN)。5.神经网络设备，其配置成产生化学结构，所述神经网络设备包括：配置成接收目标性质值和目标结构特征值作为输入的用户界面；存储至少一种程序的存储器；和配置成通过执行所述至少一种程序而驱动神经网络设备的处理器，其中所述处理器基于所接收的输入选择第一代描述符，通过将遗传算法应用于所述第一代描述符而产生第二代描述符，通过使用第一神经网络评价各第二代描述符的性质，通过使用第二神经网络评价各第二代描述符的结构，和基于评价的结果从所述第二代描述符选择具有所述目标性质值和所述目标结构特征值的候选描述符，以及通过使用所述第二神经网络对于所选择的候选描述符产生化学结构。6.如权利要求5所述的神经网络设备，其中当所选择的候选描述符的数量小于预定的值时，所述处理器改变所述遗传算法的变换指数；和通过基于所改变的变换指数将遗传算法应用于所述第一代描述符而再产生第二代描述符。7.如权利要求5所述的神经网络设备，其中所述处理器将所述第二代描述符输入到所述第一神经网络和产生各第二代描述符的性质值作为输出；以及通过将所产生的性质值与所述目标性质值相比较而评价各第二代描述符的性质，其中所述第一神经网络为深度神经网络(DNN)。8.如权利要求5所述的神经网络设备，其中所述处理器将所述第二代描述符输入到所述第二神经网络和产生各第二代描述符的结构特征值作为输出；以及通过确定所产生的结构特征值是否包括所述目标结构特征值而评价各第二代描述符的结构，其中所述第二神经网络为循环神经网络(RNN)。9.产生化学结构的方法，其通过使用神经网络设备的条件变分自编码器(CVAE)，所述方法包括：将第一描述符转换成低维潜在变量；将所述潜在变量绘制成潜在图；从所述潜在图选择由所述第一描述符转换的所述潜在变量未被绘制到其的区域；以及将所选择的区域的潜在变量转换成高维第二描述符和对于所述第二描述符产生化学结构。10.如权利要求9所述的方法，其中所述低维潜在变量包括核心结构信息和低维描述符。11.如权利要求9所述的方法，其中所述化学结...

【专利技术属性】
技术研发人员：权宁千，姜锡浩，金勍德，庾志镐，崔伦硕，
申请(专利权)人：三星电子株式会社，成均馆大学校产学协力团，
类型：发明
国别省市：韩国,KR