一种有机反应分类方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种有机反应分类方法、装置、电子设备及存储介质；该方法包括：获取有机反应的前体和产物；将前体和产物分别输入至预先训练好的深度学习模型中；通过深度学习模型基于前体和产物确定有机反应的分类。本申请实施例通过深度学习模型对有机反应进行分类，不仅可以减轻手动分类的负担，并且不依赖于反应指纹，速度更快，效率更高。效率更高。效率更高。

【技术实现步骤摘要】
一种有机反应分类方法、装置、电子设备及存储介质


[0001]本申请实施例涉及深度学习
，尤其涉及一种有机反应分类方法、装置、电子设备及存储介质。

技术介绍

[0002]作为化学中的一项基本练习，有机反应分类一直是深入研究和探索的主题。化学家使用反应类别来分析同一类别反应之间的相似性并推断最佳反应条件。他们还使用反应类别来预测产物并评估反应质量。反应分类也可用于导航大型反应数据库。然而，人工进行反应分类是一项繁琐且具有挑战性的任务，需要根据特定领域的知识观察前体和产物之间的差异。随着数据量呈指数增长，它可能会变得越来越耗时和昂贵。如何快速高效地实现反应分类已成为许多研究人员迫切需要解决的问题。
[0003]机器学习方法的出现减轻了手动分类的负担，并消除了对专业编写分类规则的需求。机器学习方法在反应分类上有很好的表现，但它们严重依赖反应指纹，无法从简单的特征中学习反应的深层含义。

技术实现思路

[0004]本申请提供一种有机反应分类方法、装置、电子设备及存储介质，通过深度学习模型对有机反应进行分类，不仅可以减轻手动分类的负担，并且不依赖于反应指纹，速度更快，效率更高。
[0005]第一方面，本申请实施例提供了一种有机反应分类方法，所述方法包括：
[0006]获取有机反应的前体和产物；
[0007]将所述前体和所述产物分别输入至预先训练好的深度学习模型中；
[0008]通过所述深度学习模型基于所述前体和所述产物确定所述有机反应的分类。
[0009]第二方面，本申请实施例还提供了一种有机反应分类装置，所述装置包括：获取模块、输入模块和分类模块；其中，
[0010]所述获取模块，用于获取有机反应的前体和产物；
[0011]所述输入模块，用于将所述前体和所述产物分别输入至预先训练好的深度学习模型中；
[0012]所述分类模块，用于通过所述深度学习模型基于所述前体和所述产物确定所述有机反应的分类。
[0013]第三方面，本申请实施例提供了一种电子设备，包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序，
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的有机反应分类方法。
[0017]第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被
处理器执行时实现本申请任意实施例所述的有机反应分类方法。
[0018]本申请实施例提出了一种有机反应分类方法、装置、电子设备及存储介质，先获取有机反应的前体和产物；然后将前体和产物分别输入至预先训练好的深度学习模型中；再通过深度学习模型基于前体和产物确定有机反应的分类。也就是说，在本申请的技术方案中，可以通过深度学习模型确定有机反应的分类。而在现有技术中，手动进行有机反应分类或者基于机器学习的方法进行有机反应分类；而手动分类人工负担较重，基于机器学习的方法严重依赖反应指纹。因此，和现有技术相比，本申请实施例提出的有机反应分类方法、装置、电子设备及存储介质，通过深度学习模型对有机反应进行分类，不仅可以减轻手动分类的负担，并且不依赖于反应指纹，速度更快，效率更高；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
附图说明
[0019]图1为本申请实施例提供的有机反应分类方法的第一流程示意图；
[0020]图2为本申请实施例提供的有机反应分类方法的第二流程示意图；
[0021]图3为本申请实施例提供的有机反应分类方法的第三流程示意图；
[0022]图4为本申请实施例提供的有机反应分类装置的结构示意图；
[0023]图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0024]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0025]实施例一
[0026]图1为本申请实施例提供的有机反应分类方法的第一流程示意图，该方法可以由有机反应分类装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，有机反应分类方法可以包括以下步骤：
[0027]S101、获取有机反应的前体和产物。
[0028]在本步骤中，电子设备可以获取有机反应的前体和产物。本申请实施例中的有机反应的前体可以包括一个或者多个有机物或者无机物；本申请实施例中的有机反应的产物可以包括一个或者多个有机物或者无机物。
[0029]S102、将前体和产物分别输入至预先训练好的深度学习模型中。
[0030]在本步骤中，电子设备可以将前体和产物分别输入至预先训练好的深度学习模型中。具体地，本步骤可以将有机反应的前体的名称和产物的名称分别输入至预先训练好的深度学习模型中。
[0031]S103、通过深度学习模型基于前体和产物确定有机反应的分类。
[0032]在本步骤中，电子设备可以通过深度学习模型基于前体和产物确定有机反应的分类。具体地，电子设备可以先通过深度学习模型中的图同构神经网络获取前体对应的图形表示和产物对应的图形表示；然后将前体对应的图形表示和产物对应的图形表示分别输入
至深度学习模型中的交叉注意力层；再通过交叉注意力层学习前体和产物的对应关系，并基于前体和产物的对应关系确定有机反应的分类。
[0033]本申请实施例提出的有机反应分类方法，先获取有机反应的前体和产物；然后将前体和产物分别输入至预先训练好的深度学习模型中；再通过深度学习模型基于前体和产物确定有机反应的分类。也就是说，在本申请的技术方案中，可以通过深度学习模型确定有机反应的分类。而在现有技术中，手动进行有机反应分类或者基于机器学习的方法进行有机反应分类；而手动分类人工负担较重，基于机器学习的方法严重依赖反应指纹。因此，和现有技术相比，本申请实施例提出的有机反应分类方法、装置、电子设备及存储介质，通过深度学习模型对有机反应进行分类，不仅可以减轻手动分类的负担，并且不依赖于反应指纹，速度更快，效率更高；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
[0034]实施例二
[0035]图2为本申请实施例提供的有机反应分类方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，有机反应分类方法可以包括以下步骤：
[0036]S201、获取有机反应的前体和产物。
[0037]S202、将前体和产物分别输入至预先训练好的深度学习模型中。
[0038]S203、通过深度学习模型中的图同构神经网络获取前体对应的图形表示和产物对应的图形表示。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种有机反应分类方法，其特征在于，所述方法包括：获取有机反应的前体和产物；将所述前体和所述产物分别输入至预先训练好的深度学习模型中；通过所述深度学习模型基于所述前体和所述产物确定所述有机反应的分类。2.根据权利要求1所述的方法，其特征在于，通过所述深度学习网络基于所述前体和所述产物确定所述有机反应的分类，包括：通过所述深度学习模型中的图同构神经网络获取所述前体对应的图形表示和所述产物对应的图形表示；将所述前体对应的图形表示和所述产物对应的图形表示分别输入至所述深度学习模型中的交叉注意力层；通过所述交叉注意力层学习所述前体和所述产物的对应关系，并基于所述前体和所述产物的对应关系确定所述有机反应的分类。3.根据权利要求2所述的方法，其特征在于，基于所述前体和所述产物的对应关系确定所述有机反应的分类，包括：将所述前体和所述产物的对应关系输入至所述深度学习模型的图表示层；通过所述图表示层提取所述前体的特征和所述产物的特征；基于所述前体的特征和所述产物的特征确定所述有机反应的分类。4.根据权利要求3所述的方法，其特征在于，基于所述前体的特征和所述产物的特征确定所述有机反应的分类，包括：将所述前体的特征和所述产物的特征进行对比学习，得到所述前体的特征和所述产物的特征的对比学习结果；基于所述前体的特征和所述产物的特征的对比学习结果确定所述有机反应的分类。5.根据权利要求4所述的方法，其特征在于，基于所述前体的特征和所述产物的特征的对比学习结果确定所述有机反应的分类，包括：将所述前体...

【专利技术属性】
技术研发人员：崔学峰，杨政和，
申请(专利权)人：联泰集群北京科技有限责任公司，
类型：发明
国别省市：