本发明专利技术公开了一种分子动力学模拟方法、装置及介质，在时序数据的预测问题中，过去的状态对于预测未来的动态是非常重要的，而现有方法的马尔科夫性假设无法捕捉到这种依赖关系。因此，本发明专利技术通过利用过去时间步的信息来建模非马尔科夫性，从而更好地捕捉系统的演化过程。这种方法能够更准确地预测系统的动态行为，并在物理建模和仿真等领域具有重要的应用价值。
1、分子动力学是一种计算科学任务，通过模拟原子和分子的运动，以揭示分子系统的动态行为，包括振动、构象变化和相互作用，为研究领域包括生物学、材料科学和化学等提供关键的理解和预测能力。计算方法通常基于马尔科夫过程，其中系统状态的转移概率只依赖于当前状态。基于马尔科夫的分子动力学模拟是一种常用的方法，通过模拟分子在时间内的运动和相互作用，以深入了解分子系统的结构和动态行为。该过程利用牛顿的运动方程，根据当前状态和热力学力学过程，预测分子的位置和速度的变化。这种模拟方法在材料科学、药物设计和生物化学等领域中广泛应用，有助于揭示分子系统的重要性质和行为。
2、egnn是一种等变的深度学习模型，通常用于处理图数据，特别适用于分子动力学模拟。在egnn中，分子被表示为图，其中原子充当节点，化学键充当边，每个节点携带有关原子的信息，如坐标、元素类型和电荷。egnn的独特之处在于它的等变性，这意味着它能够处理不同原子之间的不同对称性和变换，与分子的旋转、平移和对称性操作相容，这在传统的分子动力学模拟中是一个挑战。egnn模型在分子动力学模拟中能够模拟分子的时间演化，与马尔科夫性质相关。马尔科夫性质要求过程的下一个状态仅依赖于当前状态，而与过去的状态历史无关。这正是egnn的一个关键特性，因为在每个时间步骤中，egnn根据当前图的状态(即分子的当前构象)来预测下一个时间步骤的状态，并没有考虑分子在过去的时间步骤中的轨迹或历史信息。
>3、然而，在动力学模拟中，特别是在涉及到复杂的相互作用和非线性效应的系统中，马尔科夫性假设往往是不现实的，使用上述egnn这类范式会损失掉一部分预测的精确程度。例如，在模拟蛋白质与溶剂(如水)相互作用的动力学过程时，溶剂的状态受蛋白质过去状态的影响，蛋白质的未来动态也受到溶剂当前状态的影响。在这种情况下，过去的状态对于预测未来的动态是非常重要的，而马尔科夫性假设无法捕捉到这种依赖关系。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此，需要一种分子动力学模拟方法、装置及介质，通过利用过去时间步的信息来建模非马尔科夫性，从而更好地捕捉系统的演化过程。这种方法能够更准确地预测系统的动态行为，并在物理建模和仿真等领域具有重要的应用价值。
2、根据本专利技术的第一方案，提供了一种分子动力学模拟方法，所述方法包括：
3、将分子表示为几何图，如下公式(1)所示：
4、g＝(v,a,x) (1)
5、其中v＝{v1,v2…vn}表示分子的n个原子，a∈rn×n是邻接矩阵，表示分子的连边关系，用于信息传递，x＝{x1,x2…xn}∈rn×3代表n个原子的三维坐标；
6、构建等变图神经网络，所述等变图神经网络的输入表示为input＝(g1,g2,g3..gt)，代表过去t个时刻分子的状态，对于每一个时刻分子的状态gt，利用等变图神经网络学习当前时刻的分子特征，所述分子特征包括坐标信息和运动规律；
7、构建等变时序注意力机制模型，在利用所述等变图神经网络学习到各个时刻的分子特征后，利用所述等变时序注意力机制模型实现t个时刻之间的信息交互，得到t组特征；
8、将t组特征融合为一个特征，作为t+1时刻的特征。
9、进一步地，所述等变图神经网络是一个多层的图神经网络，对于第l层，输入和输出表示为：
10、hl+1,xl+1＝f(hl,xl) (2)
11、其中，hl和xl表示当前层节点的不变特征和等变特征，hl+1和xl+1表示当前l层输出的不变特征和等变特征，hl+1和xl+1作为l+1层的输入；
12、对于第0层，将原子的类型/序号作为不变特征，分子的坐标作为初始的等变特征。
13、进一步地，通过如下公式(3)-(5)更新所述等变图神经网络中各层节点特征：
14、
15、
16、
17、
18、其中，公式(3)描述了边性操作不仅输入节点特征hi和hj，还输入两个节点i和j之间的距离平方(xi-xj)2，(xi-xj)2对等变变换是不变的，aij是边的属性；
19、公式(4)更新每个节点的坐标xi，xi受到与所有其他节点xj之间距离差异(xi-xj)的加权和的影响，权重由边特征mij决定；
20、公式(5)将所有邻居节点的的消息mij聚合到节点i；
21、公式(6)用节点操作更新节点特征hi，的输入包括节点原特征hi和消息mi。
22、进一步地，利用所述等变时序注意力机制模型通过如下公式(7)实现t个时刻之间的信息交互：
23、
24、其中表示节点i在t时刻和s时刻的坐标之差；
25、
26、代表attention计算所需要的三个矩阵。
27、进一步地，通过如下公式(8)将t组特征融合为一个特征：
28、
29、其中即对于前t个时刻的坐标，w∈rt是一组系数，代表前t个时刻的不同权重，且
30、进一步地，设置w为一组可学习的参数。
31、进一步地，通过如下损失函数实现前t个时刻的不同权重w的学习：
32、
33、根据本专利技术的第二技术方案，提供一种分子动力学模拟装置，所述装置包括：
34、图构建模块，被配置为将分子表示为几何图，如下公式(1)所示：
35、g＝(v,a,x) (1)
36、其中v＝{v1,v2…vn}表示分子的n个原子，a∈rn×n是邻接矩阵，表示分子的连边关系，用于信息传递，x＝{x1,x2…xn}∈rn×3代表n个原子的三维坐标；
37、第一构建模块，被配置为构建等变图神经网络，所述等变图神经网络的输入表示为input＝(g1,g2,g3..gt)，代表过去t个时刻分子的状态，对于每一个时刻分子的状态gt，利用等变图神经网络学习当前时刻的分子特征，所述分子特征包括坐标信息和运动规律；
38、第二构建模块，被配置为构建等变时序注意力机制模型，在利用所述等变图神经网络学习到各个时刻的分子特征后，利用所述等变时序注意力机制模型实现t个时刻之间的信息交互，得到t组特征；
39、特征融合模块，被配置为将t组特征融合为一个特征，作为t+1时刻的特征。
40、进一步地，所述等变图神经网络是一个多层的图神经网络，所述第一构建模块被进一步配置为：
41、对于第l层，输入和输出表示为：
42、hl+1,xl+1＝f(hl,xl) (2)
43、其本文档来自技高网...
【技术保护点】
1.一种分子动力学模拟方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述等变图神经网络是一个多层的图神经网络，对于第l层，输入和输出表示为：
3.根据权利要求2所述的方法，其特征在于，通过如下公式(3)-(5)更新所述等变图神经网络中各层节点特征：
4.根据权利要求1所述的方法，其特征在于，利用所述等变时序注意力机制模型通过如下公式(7)实现T个时刻之间的信息交互：
5.根据权利要求1所述的方法，其特征在于，通过如下公式(8)将T组特征融合为一个特征：
6.根据权利要求5所述的方法，其特征在于，设置w为一组可学习的参数。
7.根据权利要求6所述的方法，其特征在于，通过如下损失函数实现前T个时刻的不同权重w的学习：
8.一种分子动力学模拟装置，其特征在于，所述装置包括：
9.根据权利要求8所述的分子动力学模拟装置，其特征在于，所述等变图神经网络是一个多层的图神经网络，所述第一构建模块被进一步配置为：
10.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至7中任一项所述的方法。
...
【技术特征摘要】
1.一种分子动力学模拟方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述等变图神经网络是一个多层的图神经网络，对于第l层，输入和输出表示为：
3.根据权利要求2所述的方法，其特征在于，通过如下公式(3)-(5)更新所述等变图神经网络中各层节点特征：
4.根据权利要求1所述的方法，其特征在于，利用所述等变时序注意力机制模型通过如下公式(7)实现t个时刻之间的信息交互：
5.根据权利要求1所述的方法，其特征在于，通过如下公式(8)将t组特征融合为一个特征：
6.根据权...
【专利技术属性】
技术研发人员：黄文炳，吴黎明，
申请(专利权)人：中国人民大学，
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。