【技术实现步骤摘要】
催化剂系统松弛能量预测模型构建方法和装置
[0001]本申请涉及计算机
,特别涉及一种催化剂系统松弛能量预测模型构建方法和装置
、
计算设备
、
计算机可读存储介质及计算机程序产品
。
技术介绍
[0002]催化剂对于控制化学反应的速度
、
保障反应安全和提升反应效率都有着重要的作用
。
在传统方法中,一般通过大量的实验来海选合适的催化剂,这一方法不但耗时耗力,而且会造成极大的浪费
。
为此,实验人员希望能提前预测催化剂的一些关键指标,来减少催化剂海选的备选数量,以实现快速发现合适的催化剂
。
松弛能量可以指示吸附物
‑
催化剂系统从初始状态到稳定状态过程中释放的能量,这是衡量催化剂性能的一项关键指标
。
而传统的基于量子力学的松弛能量预测方法计算复杂度高
、
计算量巨大,因而严重影响了催化剂研发效率
。
因此,利用深度学习方法构建松弛能量预测模型以精确
、
高效地预测吸附物
‑
催化剂系统的松弛能量受到广泛关注
。
技术实现思路
[0003]鉴于此,本申请提供了一种催化剂系统松弛能量预测模型构建方法和装置
、
计算设备
、
计算机可读存储介质及计算机程序产品,期望缓解或克服上面提到的部分或全部缺陷以及其他可能的缺陷
。
[0004]根据本申请 ...
【技术保护点】
【技术特征摘要】
1.
一种催化剂系统松弛能量预测模型构建方法,其特征在于,所述方法包括:获取第一训练数据集,所述第一训练数据集包含多个第一训练数据,每个第一训练数据包含第一训练样本以及相应的第一样本标签,其中第一训练样本包括第一催化剂系统结构信息,且第一样本标签包括与第一催化剂系统结构信息对应的第一系统能量信息;利用所述第一训练数据集训练催化剂系统能量预测模型,以得到预训练的催化剂系统能量预测模型;依据所述预训练的催化剂系统能量预测模型,构建催化剂系统松弛能量初始预测模型;获取第二训练数据集,所述第二训练数据集包含多个第二训练数据,每个第二训练数据包含第二训练样本以及相应的第二样本标签,其中第二训练样本包括第二催化剂系统结构信息,且第二样本标签包括与第二催化剂系统结构对应的松弛能量信息;利用所述第二训练数据集训练所述催化剂系统松弛能量初始预测模型,以得到催化剂系统松弛能量预测模型
。2.
根据权利要求1所述的方法,其特征在于,所述利用所述第一训练数据集训练催化剂系统能量预测模型,以得到预训练的催化剂系统能量预测模型,包括:针对第一训练数据集中每一个第一训练数据,将该第一训练数据的第一训练样本输入到所述催化剂系统能量预测模型,以基于所述催化剂系统能量预测模型的输出结果与该第一训练数据的第一样本标签计算第一损失;根据第一训练数据集中每一个第一训练数据对应的第一损失,确定所述催化剂系统能量预测模型的目标损失;基于所述目标损失,对所述催化剂系统能量预测模型的参数进行迭代更新直至所述目标损失满足预设条件,以得到预训练的催化剂系统能量预测模型
。3.
根据权利要求2所述的方法,其特征在于,所述催化剂系统能量预测模型包括催化剂系统能量
‑
受力预测模型,第一样本标签进一步包括与第一催化剂系统结构信息对应的第一原子受力信息,并且所述针对第一训练数据集中每一个第一训练数据,将该第一训练数据的第一训练样本输入到所述催化剂系统能量预测模型,以基于所述催化剂系统能量预测模型的输出结果与该第一训练数据的第一样本标签计算第一损失,包括:针对第一训练数据集中每一个第一训练数据,将该第一训练数据的第一催化剂系统结构信息输入到所述催化剂系统能量预测模型,以得到输出结果,该输出结果包括催化剂系统能量预测结果以及原子受力信息预测结果;针对第一训练数据集中每一个第一训练数据,基于催化剂系统能量预测结果与该第一训练数据的第一系统能量信息计算第一子损失;针对第一训练数据集中每一个第一训练数据,基于原子受力信息预测结果与该第一训练数据的第一原子受力信息计算第二子损失;针对第一训练数据集中每一个第一训练数据,根据第一子损失和第二子损失确定第一损失
。4.
根据权利要求2所述的方法,其特征在于,所述预设条件包括下述至少一个:当前目标损失小于预定阈值;当前目标损失对应的迭代次数达到预定次数
。
5.
根据权利要求1所述的方法,其中利用所述第二训练数据集训练所述催化剂系统松弛能量初始预测模型,以得到催化剂系统松弛能量预测模型,包括:针对第二训练数据集中每一个第二训练数据,将第二训练样本输入到所述催化剂系统松弛能量初始预测模型,以基于所述催化剂系统松弛能量初始预测模型的输出结果与第二样本标签计算第二损失;根据第二训练数据集中每一个第二训练数据对应的第二损失,确定所述催化剂系统松弛能量初始预测模型的目标损失;基于所述目标损失,对所述催化剂系统松弛能量初始预测模型的参数进行迭代更新直至所述目标损失满足预设条件,以得到催化剂系统能量预测模型
。6.
根据权利要求3所述的方法,其特征在于,所述催化剂系统能量预测模型包含拓扑图确定子模型和图神经网络子模型,并且所述针对第一训练数据集中每一个第一训练数据,将该第一训练数据的第一催化剂系统结构信息输入到所述催化剂系统能量预测模型,以得到输出结果,包括:将第一催化剂系统结构信息输入到所述拓扑图确定子模型,以获得第一催化剂系统结构信息对应的拓扑图,该拓扑图用于表征第一催化剂系统结构信息对应的催化剂系统中各个原子之间的拓扑关联;将第一催化剂结构信息对应的拓扑图输入到所述图神经网络子模型,以获得催化剂系统能量预测结果以及原子受力信息预测结果
。7.
根据权利要求6所述的方法,其特征在于,所述拓扑图包含多个节点及将所述多...
【专利技术属性】
技术研发人员:叶阁焰,刘伟,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。