一种收率优化方法、系统及非暂态计算机可读存储介质技术方案

本发明专利技术涉及一种收率优化方法、系统及非暂态计算机可读存储介质，所述的方法包括如下步骤：S1、选定影响化学反应收率的反应参数，将数值型和非数值型的反应参数分别进行编码；S2、将所有反应参数所对应的值进行笛卡儿积组合运算获得所有集合，即为反应参数空间；S3、选取反应参数空间中的数据，进行化学反应实验得到收率数据，利用贝叶斯优化算法进行构建模型，并推荐出下一轮的实验参数组合；S4、根据步骤S3推荐的实验参数组合进行具体实验验证，并与步骤S3中的算法进行多轮交互最终完成整个化学反应的收率优化，进而得到一个满意的收率。所述方法可以有效提高化学反应收率优化的实验效率，给化学实验研发工作带来极大的便利性。性。性。

【技术实现步骤摘要】
一种收率优化方法、系统及非暂态计算机可读存储介质


[0001]本专利技术涉及一种收率优化方法、系统及非暂态计算机可读存储介质，属于收率优化方法的


技术介绍

[0002]目前来说，化学反应收率的优化是一项非常具有挑战的工作，需要化学领域的专家评估各种反应参数，如底物、添加剂、溶剂、浓度、催化剂、温度等等。由于时间和经验积累的限制，在一个标准的优化过程中专家只能简单对这些条件中小部分进行评估。想要达到一个较高的收率，还是非常具有挑战的。虽然可以借助高通量实验，短时间可以完成几千个实验，成本的消耗也是非常巨大的。除此之外，通过查阅相关文献、相似反应的经验积累、以及对反应物的化学机理的理解都可以在产率优化中发挥重要作用，但是这也对相关实验人员提出了非常高的专业要求。
[0003]为了解决这些问题，化学专家通常会借助一些实验设计的方法进行控制实验，例如借助DOE实验设计思路进行实验方案设计，但是也会存在一些优化设计、经验优先级选择问题。收率优化本质上属于参数优化，故而可以采用机器学习中的贝叶斯优化算法。该算法旨在平衡不确定性领域的探索和可用信息的利用，从而在较少的评估中实现高质量的配置。同时该算法支持多个实验并行计算，这意味在一轮优化实验中可以进行多组实验，符合化学反应的一个并行要求，同时降低对试验人员的专业素养的要求以及实验所需要的成本。故而本专利技术将贝叶斯优化算法应用到化学反应收率优化的项目中来，解决了传统优化方法存在的一些问题。

技术实现思路

[0004]本专利技术针对现有技术存在的不足，提供一种基于贝叶斯优化算法的交互式收率优化的方法，可以有效提高化学反应收率优化的实验效率，给化学实验研发工作带来极大的便利性。
[0005]本专利技术解决上述技术问题的技术方案如下：一种收率优化方法，所述的方法包括如下步骤：
[0006]S1、实验数据预处理：
[0007]选定影响化学反应收率的反应参数(包括底物、溶剂、配体、温度、试剂等)，将反应参数分成数值型和非数值型两大类，然后将数值型和非数值型的反应参数分别进行编码；例如温度、湿度等就属于数值型的反应参数，溶剂种类就属于非数值型的反应参数。
[0008]S2、构建反应参数空间：
[0009]将所有反应参数所对应的值进行笛卡儿积组合运算获得所有集合，既为反应参数空间；例如：底物有a、b、c；配体有A、B、C，参数空间则是底物与配体进行笛卡儿积组合运算即可得到全部组合。
[0010]S3、构建及优化模型
[0011]选取反应参数空间中的数据，进行化学反应实验得到收率数据，利用贝叶斯优化算法进行构建模型，并推荐出新一轮的实验参数组合，然后利用上一轮的实验参数组合所得到的实验结果作为先验知识来构建优化模型并推荐下一轮的实验参数组合；
[0012]S4、根据步骤S3推荐的实验参数组合进行具体实验验证，并与步骤S3中的算法进行多轮交互最终完成整个化学反应的收率优化，进而得到一个满意的收率。
[0013]进一步的，步骤S1中，所述数值型的反应参数编码方式为：由实验人员针对数值型参数给定数值范围的上下限，同时划定每个数值型反应参数的分割刻度。
[0014]进一步的，步骤S1中，所述非数值型的反应参数编码方式为：输入每个非数值型反应参数所对应的SMILES代码，通过one
‑
hot算法、密度泛函理论算法(DFT)和mordred描述符中的一种或几种算法结合，得到非数值型反应参数的编码值。
[0015]进一步的，步骤S2中，构建反应参数空间时，首先删除非数值型反应参数编码时产生的冗余信息，例如DFT算法产生的文件名、均值、方差等冗余信息；
[0016]再进行笛卡儿积组合运算；然后利用pandas数据处理工具将反应参数空间中的反应参数名与编码值进行对齐。
[0017]进一步的，步骤S3中，贝叶斯优化算法包括高斯过程和选择函数，贝叶斯优化算法构建化学反应参数模型；
[0018]通过高斯过程，为贝叶斯优化算法中构建一个先验知识模型，在算法交互过程中贝叶斯优化算法将上一轮推荐的反应参数组合作为新数据来更新原有数据集，高斯过程则会更新先验知识模型；
[0019]选择函数通过先验知识模型选择新一轮的采样点，通过采样点计算后验分布；同时，平衡当前区域中的最优采样点与未知区域的采样点的选择。
[0020]进一步的，高斯过程公式如下：
[0021]f(x)～gp(m(x),k(x，x
′
))
[0022]其中，m(x)为均值函数，k(x，x')为协方差函数，x与x
′
为两组输入参数；
[0023]贝叶斯优化算法中的选择函数包括：Upper confidence bound(UCB)和Expected improvement(EI)。
[0024]进一步的，Expected improvement选择函数为：
[0025][0026][0027]其中，与φ(z)分别是高斯分布累计概率函数与概率密度函数，f(x+)表示现有最大值，x+使f(x+)取得最大值输入参数
[0028]Upper confidence bound选择函数为：
[0029]UCB(x)＝μ(x)+kσ(x)
[0030]其中，μ(x)为均值；σ(x)为标准差；k为调节系数。
[0031]进一步的，贝叶斯优化算法流程为：
[0032]首先，初始化所述的化学反应参数模型，从步骤S2所得到的反应参数空间中，随机选取五组反应参数数据作为高斯过程回归训练数据；
[0033]由实验人员按照初始化的反应参数数据进行具体化学实验，得到收率后，将收率与每组反应参数数据对齐，更新数据集，高斯过程根据更新后的数据集建立先验知识模型；
[0034]然后，选择函数通过先验知识模型计算出新一批的4
‑
6组反应参数组合，由实验人员进行具体化学实验，得到每组反应参数实验的收率；
[0035]最后，由实验人员根据得到收率数据来判断是否满足当前需要，若满足则停止实验；若不满足则将进行具体化学实验的反应参数及收率数据更新至数据集中，再次进行模型优化、计算，推荐出新一批的反应参数组合，重复实验步骤，直至收率满足实验人员的要求为止。
[0036]本专利技术还公开了一种收率优化系统，所述的系统至少存在一个中央处理器(cpu)，以及一个与中央处理器进行通信连接的存储器，所述的中央处理器可执行所述收率优化方法的程序，所述存储器可以存储被中央处理器调用执行的程序指令以及相关参数模型。
[0037]本专利技术还公开了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行所述的收率优化方法。
[0038]本专利技术的有益效果是：
[0039]本专利技术提供了一个收率优化的方法，借助贝叶斯优化算法，采用交互式的实验手段，最终为实验人员得到一个较为满意的反应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种收率优化方法，其特征在于，所述的方法包括如下步骤：S1、实验数据预处理：选定影响化学反应收率的反应参数，将反应参数分成数值型和非数值型两大类，然后将数值型和非数值型的反应参数分别进行编码；S2、构建反应参数空间：将所有反应参数所对应的值进行笛卡儿积组合运算获得所有集合，即为反应参数空间；S3、构建及优化模型选取反应参数空间中的数据，进行化学反应实验得到收率数据，利用贝叶斯优化算法进行构建模型，并推荐出新一轮的实验参数组合，然后利用上一轮的实验参数组合所得到的实验结果作为先验知识来构建优化模型并推荐下一轮的实验参数组合；S4、根据步骤S3推荐的实验参数组合进行具体实验验证，并与步骤S3中的算法进行多轮交互最终完成整个化学反应的收率优化，进而得到一个满意的收率。2.根据权利要求1所述的一种收率优化方法，其特征在于，步骤S1中，所述数值型的反应参数编码方式为：由实验人员针对数值型参数给定数值范围的上下限，同时划定每个数值型反应参数的分割刻度。3.根据权利要求1所述的一种收率优化方法，其特征在于，步骤S1中，所述非数值型的反应参数编码方式为：输入每个非数值型反应参数所对应的SMILES代码，通过one
‑
hot算法、密度泛函理论算法和mordred描述符中的一种或几种算法结合，得到非数值型反应参数的编码值。4.根据权利要求3所述的一种收率优化方法，其特征在于，步骤S2中，构建反应参数空间时，首先删除非数值型反应参数编码时产生的冗余信息；再进行笛卡儿积组合运算；然后利用pandas数据处理工具将反应参数空间中的反应参数名与编码值进行对齐。5.根据权利要求1所述的一种收率优化方法，其特征在于，步骤S3中，贝叶斯优化算法包括高斯过程和选择函数，贝叶斯优化算法构建化学反应参...

【专利技术属性】
技术研发人员：戴开洋，柳彦宏，宋召青，张浩，
申请(专利权)人：烟台国工智能科技有限公司，
类型：发明
国别省市：