基于图神经网络和注意力机制的聚合物信息学方法技术

本发明专利技术公开了一种基于图神经网络和注意力机制的聚合物信息学方法，首先对聚合物数据进行特征提取，包括原子元素类型，边类型，原子质量等，随后根据原子之间的连接关系将聚合物表示为图数据。随后将聚合物的图表示送入GCN中进行训练，在GCN的消息传递操作结束后，使用Transformer的注意力模块将图特征进行更新，更新后的图就有了原子间相互关系的信息，随后使用图嵌入进行下游任务的训练。使用了本发明专利技术的图嵌入表示后，在均聚物和共聚物的数据集上的性质预测能力相比于现有纯GNN的方法得到了提高。相比于普通的算法过程，数据种群更新率、种群适应度得到了提高，且生成的聚合物材料更符合化学规则。

【技术实现步骤摘要】

本专利技术涉及人工智能算法领域，具体涉及一种基于图神经网络和注意力机制的聚合物信息学方法。

技术介绍

1、聚合物材料由于其卓越的化学、物理、生物和机械性能，渗透到人类的日常生活中。聚合物通常由长链分子组成，长链分子由许多有机分子通过共价键形成。因为可用的单体和聚合方法种类繁多，从而导致了聚合物的庞大的搜索空间。因此，传统的经验驱动和试错方法经常受到计算和实验限制的约束。

2、对于聚合物的数字化处理而言，找到合适的聚合物指纹来进行复杂的及其运算尤为重要，传统的方法包括结构化特征法以及自监督训练语言模型法。结构化特征法包括化学工具提取和人工提取，化学工具例如rdkit、chem等使用传统的提取方法如ecfp直接从聚合物单体提取出重要的化学特征，人工提取法则需要专家经验的帮助，对聚合物链长、形态、聚合方式等特点进行手动编码。自监督语言模型训练法则是使用smiles等化学语言进行自监督训练，将聚合物单体smiles的词嵌入视为特征。上述这两种方法虽然在一定程度上能表示聚合物，但是忽略了聚合物内在的连接关系特征。目前最先进的方法是使用图神经网络(gnn)本文档来自技高网...

【技术保护点】

1.基于图神经网络和注意力机制的聚合物信息学方法，其特征在于，使用图卷积神经网络(GCN)对聚合物进行建模训练，并在GCN中加入了自注意力机制模块高效捕捉聚合物原子之间的关系，具体包括以下步骤：

2.根据权利要求1所述的基于图神经网络和注意力机制的聚合物信息学方法，其特征在于，所述步骤(1)中的原子特征包括原子序数、度、核外电子数、手性标签、氢原子个数、是否为方芳香原子、杂化方式、原子质量。

3.根据权利要求1所述的基于图神经网络和注意力机制的聚合物信息学方法，其特征在于，所述步骤(1)中的键特征包括键类型、共轭键、是否成环。

4.根据权利要求1所述的...

【技术特征摘要】

1.基于图神经网络和注意力机制的聚合物信息学方法，其特征在于，使用图卷积神经网络(gcn)对聚合物进行建模训练，并在gcn中加入了自注意力机制模块高效捕捉聚合物原子之间的关系，具体包括以下步骤：

2.根据权利要求1所述的基于图神经网络和注意力机制的聚合物信息学方法，其特征在于，所述步骤(1)中的原子特征包括原子序数、度、核外电子数、手性标签、氢原子个数、是否为方芳香原子...

【专利技术属性】
技术研发人员：谢玮，陈力栋，
申请(专利权)人：上海大学，
类型：发明
国别省市：