机器学习在团簇研究中的可能应用

团簇的结构-能量关系非常复杂,存在大量的局部能量极小点,寻找全局稳定结构是个很艰巨的任务。对于中大尺寸团簇的计算,采用纯量子力学计算方法将面临非常重的计算负担,而如果采用传统力场的方法则会面临精度不足的困难。近年来崛起的机器学习浪潮,开始渗透到包括化学在内的各个学科领域。基于机器学习的方法,有可能提供一条介乎量子力学与传统力场之间的中间新路线。发展基于机器学习的团簇势能模型,用于寻找中大尺寸团簇的稳定结构,有望为团簇的理论与计算研究提供新思路与新手段。     

基于高光谱成像的光敏印油种类区分实验

印油种类区分是法庭科学文件检验领域的重要一环,为研究无损高效区分光敏印油种类的方法。以33种不同品牌光敏印油的原始光谱数据当作对照组,对原始数据进行t-SNE降维和UMAP降维后,选择XGBoost、SVM和MLP三种分类算法,以1比4的比例确定测试集和训练集,对原始数据和降维后的数据进行分类,同时使用网格搜索和五倍交叉验证来优化模型的性能和泛化能力。结果表明,上述三种分类算法对降维后光谱数据区分的平均准确率高于对原始光谱数据区分的平均准确率,且UMAP-MLP分类模型的区分准确率最高,可达到98%。提出的分类模型可用于光敏印油种类的快速区分。     

机器学习方法用于选择性环氧化酶-2抑制剂活性预测模型的建立

与传统的非甾体类消炎药相比,选择性环氧化酶-2抑制剂具有无胃肠道粘膜损伤,溃疡和肾功能障碍等严重的副作用,设计选择性环氧化酶-2抑制剂具有重要意义。本文用支持矢量学习机和神经网络两种机器学习方法建立选择性环氧化酶-2抑制剂的活性预测模型,以期为选择性环氧化酶-2抑制剂药物的合成提供先导化合物。我们将467个环氧化酶-2抑制剂用Kennard-Stone方法分为训练集,验证集和独立测试集,对每一抑制剂分子我们计算了463个包含组成描述符和拓扑描述符的分子描述符来表征其分子结构,并通过F-Score方法选取最重要的分子描述符用于分类模型的建立。结果表明,SVM方法通过变量筛选后具有很好的预测能力,其预测正确率达到93.30%。     

FLiNaK–ThF4的微观结构及热力学性质的深度势能分子动力学研究

钍基熔盐堆是六种第四代先进反应堆之一,深入研究熔盐堆燃料的基础物性对反应堆的安全有效运行和乏燃料后处理意义重大.首先,使用深度神经网络对FLiNaKTh熔盐燃料的力场进行了深度学习,得到了高精度的力场模型.其次,系统研究了FLiNaKTh燃料的配位结构、热力学和动力学性质.径向分布函数和平均力势表明各离子对的相互作用强弱为:Th–F>Li–F>Na–F>K–F,且均随ThF₄浓度增大或升温而变弱.在燃料服役温度900 K下,FLiNaK–10 wt.%ThF₄体系中Th离子主要以[ThF_x]^4–x形式存在,Th浓度增大有利于Th离子间形成团簇,导致[Th₂F_x]^8–x和[Th₃F_x]^12–x等占比增大.模拟的扩散系数、热容和密度值与实验值吻合的很好,证明了力场的精确性,进一步预测了0～50wt.%ThF₄浓度范围和更多温度下熔盐体...     

机器学习原子间相互作用建模

原子间相互作用建模是分子动力学模拟的核心问题之一.基于第一性原理的建模准而不快,经验势模型快而不准,因此人们长期面临精度和效率只得其一的两难困境.基于机器学习的原子间相互作用建模在达到第一性原理精度的同时,计算开销大大降低,因而有希望解决这一两难困境.本文将介绍构造基于机器学习的原子间相互作用模型的一般框架,归纳近年来...     

运用机器学习方法设计原子链 人工边界条件

本文运用机器学习方法设计一维线性原子链的人工边界条件。该方法基于前馈神经网络,通过对一小部分数值解进行训练后得到人工边界条件。应用该法不需要较多先验知识,编程简单,实现速度快,算例表明数值反射较小。     

运用机器学习方法设计原子链人工边界条件

本文运用机器学习方法设计一维线性原子链的人工边界条件。该方法基于前馈神经网络,通过对一小部分数值解进行训练后得到人工边界条件。应用该法不需要较多先验知识,编程简单,实现速度快,算例表明数值反射较小。     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利,已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论,以文本大数据为数据源,在全面梳理国内外情感计算相关成果的基础上,利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘,探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型,其核心是构建情感词典和设计情感计算规则,方法简单,容易实现,适用语料范围广。（2）机器学习,用统计学方法抽取文本中的特征项,具有非线性特征,可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算,效果良好,准确率在85%以上。训练多领域的文本语料易于移植,实用性强,且泛化能力好,较适合大数据时代游客情感计算研究。     

面向高超声速飞行器的激波智能预测方法

高超声速飞行器激波位置的准确预测能够有效提升数值模拟的精度和效率。一方面,对高超声速飞行器激波附近网格进行正交和加密处理,可有效提升数值计算精度;另一方面,使用高超声速飞行器激波位置对计算网格进行修正,能够加速CFD计算收敛过程。提出了一种基于机器学习的高超声速飞行器激波智能预测方法,对典型高超声速飞行器外形进行激波位置的高效准确预测。首先,针对典型高超声速飞行器外形和典型飞行状态,使用数值模拟方法获得收敛的流场,并采用基于Mach数等值线的激波提取方法,从流场中判别激波面并提取构成激波面的关键点位置,形成训练数据;然后采用有监督学习算法,学习关键点位置,并利用二次曲线沿流向拟合关键点形成初步的激波线族;最后,基于剖面压力云图,构造基于投影压力图像的智能预测神经网络,对初步形成的激波线族进行修正,并获得三维激波面。大量的实验结果表明,激波预测模型能够对高超声速飞行器激波位置做出准确预测,预测的激波面与CFD数值计算结果中提取的激波面误差在10^-4量级。     

调控炔烃半氢化反应的催化选择性:实验和理论的最新进展（英文）

由于短链烯烃的广泛应用,炔烃选择性加氢制备烯烃是一个非常重要的石油化学催化过程.其中最简单的乙炔半氢化,吸引了众多研究者的广泛研究,是催化选择性调控的一个非常重要反应.工业上,由石油蒸汽裂解得到的乙烯往往混有微量(¹%)的乙炔,它会毒化乙烯聚合反应时所使用的Ziegler-Natta催化剂,因此需要降低乙炔含量至5×10–6以下.这要求加氢催化剂具有很高的乙炔转化率(> 99%)和乙烯选择性(> 80%).Pd基催化剂因低温下的具有高活性,是最常用的炔烃半氢化催化剂,其中Pd-Ag合金催化剂已在工业界应用了数十年.近十几年来,新型的乙炔半氢化催化剂不断被提出,其催化选择性的研究也取得了很大的进展.本文对炔烃半氢化反应的最新研究进展进行了总结.以乙炔加氢为例,介绍了其工业反应的条件、反应的网络以及潜在的副反应.归纳了提高加氢选择性的常见方法,并总结了近十几年报道的性能较好的乙炔半氢化催化剂.重点阐述了近年研究对加氢选择性的深入理解:Pd基催化剂的表面结构会随着反应条件和反应过程动态变化,从而影响加氢选择性.利用程序升温脱附和X射线光电子能谱研究催化剂的表...