基于深度张量神经网络预测有机分子的相互作用能（英文）

分子的相互作用在分子动力学模拟过程中起着关键的作用.受限于计算资源,大分子的长时间尺度的相互作用能无法通过量化计算实现.本文采用一种深度学习框架-深度张量神经网络来预测三个有机分子相关体系中量化精度的相互作用能.其中,分子的几何结构和原子类型作为网络的输入用于预测相互作用能.通过分层生成的数据集合实现了网络中隐层参数的优化和训练.相互作用能的预测结果显示,深度张量神经网络可以在较短的时间内,在1 kcal/mol的平均绝对误差的范围内准确预测分子间的相互作用能.这一过程提高了计算效率,并为计算相互作用能提供了可靠的计算框架.     

基于深度卷积神经网络的α-Fe晶界能预测

本文提出了一种预测晶界能以研究α-Fe晶界性质的深度学习方法.在分子动力学生成的α-Fe对称倾斜晶界的基础上,通过中心对称参数和原子密度信息构造出晶界特征—积累中心对称参数,提出了数据增强和按倾斜角分层抽样的方法,建立了预测晶界能的卷积神经网络模型.测试集结果表明,预测晶界能的平均相对误差小于1.75%,平均每个晶界的预测用时在0.002 s以内.该方法在一定范围内具有较高的准确性和鲁棒性,提供了研究晶界的微观结构特征与宏观性能之间关联的途径.     

精确计算TATB分子间相互作用能并重新认识其作用本质

TATB炸药的钝感性质与其分子间强烈的相互作用密切相关,目前尚难以用实验方法直接准确地测定其分子间相互作用能。已发表的理论研究工作受当时计算方法和条件限制,计算结果误差较大、充满矛盾。本文用B3PW91-D3BJ/def2-TZVPP方法优化了TATB二聚体可能存在的六种构型的几何结构并作振动频率分析,发现仅有三种稳定构型,即氢键构型A,堆叠构型B和C,用MP2/def2-TZVPP方法重新优化了这三种构型的几何结构参数,并用于CCSD(T)/CBS方法计算,得到分子间相互作用能分别为A: -6.20,B: -15.45,C: -15.65 kcal/mol,CCSD(T)/CBS计算中发现构型B和C的高级校正项大约是分子间相互作用能的50%,是MP2方法不可能准确预测TATB二聚体堆叠构型分子间相互作用能的原因;本文还用新一代能量分解方法ALMO-EDA分析了TATB分子间相互作用本质,发现对于堆叠构型B和C,除了色散作用之外,静电吸引对决定TATB二聚体中的几何结构十分重要,TATB高能炸药良好的钝感性质起源于其分子间较强静电吸引的驱动和定向,使之形成稳定的堆叠结构,其稳定性来源于色散和静电的协同作用。     

低密度氢气的分子间平均相互作用势理论和计算

本文提出了分子单中心模型,并通过对构型的平均,两个定理的提出与证明,色散能修正的证明,从数学上论证了这个模型的合理性。由此模型可以直接求出两个氢分子间的平均相互作用势,从而改变了长期以来,总是先算有限几种构型然后再作平均的传统作法。通过数字计算,得到了迄今为止最好的全程平均相互作用势曲线。势阱深度及平衡分子间距分别为-2.91meV和3.44(实验值:-2.85～-3.00meV,3.43～3.49)。     

分子和金表面相互作用的第一性原理研究

从第一性原理出发利用密度泛函理论研究了 4 ,4′ 二巯基联苯分子和金表面的相互作用 ,并利用了前线轨道理论和微扰理论定量地确定了该相互作用能常数. By using density functional theory, we have investigated the interaction between a thiol-phenyl molecule (4-4′-dimercaptodibenzene) and a gold surface. The frontier orbit theory and the perturbation theory are also employed to determine quantitatively the constant of interaction energy. The results show that the bonding between the sulfur atom and the gold atoms corresponds mainly to the covalent bond and some molecular orbits are extended over the molecule and gold cluster which certainly give channels...     

氢分子间色散相互作用能的自然轨道泛函

理论上对分子间色散相互作用能的精确计算一直是个难点问题.密度矩阵泛函基于非定域量一阶密度矩阵为基本变量,它与色散相互作用起源于电子间的非定域关联特性相吻合.论文以最简单的氢分子为研究对象,通过分析两相互平行的氢分子间色散相互作用能,构造出了该体系中色散相互作用能的自然轨道泛函.结果表明:描述该体系中色散相互作用能的自然轨道泛函形式为包含有4个轨道的非交换和库伦积分.该结果对发展色散相互作用能的密度矩阵泛函理论具有重要的参考价值.     

O3与O3分子间相互作用的理论研究

采用从头算方法,在B3LYP水平下对O3分子单体及其二聚体进行了几何结构优化,得到四种O3分子二聚体的稳定构型,并经MP2法、均衡法(Massage)分别校正了电子相关和基组叠加误差(BSSE),通过对分子中原子间的最短距离,分子间质心距离与各构型相互作用能的关系进行了分析、比较,得到了最稳定的构型,其对应的O3分子二聚体相互作用能为:-8.788 kJ/mol.     

苯与PtH分子间电子相互作用的理论研究

采用从头算法在B3LYP水平分别对苯和PtH分子单体及其分子复合物体系(苯-PtH)进行了几何结构优化和振动频率计算,得到了3种苯-PtH分子复合物构型,研究了苯与PtH分子间相互作用对Pt-H键振动频率的影响,并得出了苯与PtH分子之间的相互作用能.     

分子间相互作用对有机分子发光性质的影响

有机固态发光材料因其在显示器、激光和光通信等领域的应用前景而受到越来越多的关注. 与单分子相比,有机固态中存在各种弱分子间相互作用,这些相互作用有时会对激发态性质和能量耗散途径产生较大的影响,从而产生较强的荧光或磷光. 因此揭示有机固态发光的内在机制是非常必要的. 本综述通过总结从单分子到聚集态激发态的几何结构、电子结构、电子振动耦合和能量耗散动力学的变化,简要概括了分子间相互作用如何诱导有机固体产生强荧光、热激活延迟荧光和室温磷光. 本综述希望能帮助深入理解有机固体的激发态特性,从而为设计优秀的固态发光材料提供思路.     

SI of Interaction energy prediction of organic molecules using Deep Tensor Neural Network

The support informations of DTNN architecture and prediction results of six testing cases in K-fold are listed here.     

基于神经网络的托卡马克能量约束时间预测

使用机器学习理论中的神经网络方法,根据通用逼近原理对能量约束时间的复杂函数进行逼近,采用托卡马克装置的典型实验数据,设计一种组合结构的神经网络.通过大量的调参试验,给出一套性能最好的参数组合,并与传统幂指数形式的多元线性回归方法进行准确性和数据集迁移能力的比较.结果表明:神经网络模型对于能量约束时间的预测准确率更高,回...     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定.该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力.通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子.偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算.结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%.     

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

Research of Software Defect Prediction Model Based on Complex Network and Graph Neural Network

The goal of software defect prediction is to make predictions by mining the historical data using models. Current software defect prediction models mainly focus on the code features of software modules. However, they ignore the connection between software modules. This paper proposed a software defect prediction framework based on graph neural network from a complex network perspective. Firstly, we consider the software as a graph, where nodes represent the classes, and edges represent the dependencies between the classes. Then, we divide the graph into multiple subgraphs using the community detection algorithm. Thirdly, the representation vectors of the nodes are learned through the improved graph neural network model. Lastly, we use the representation vector of node to classify the software defects. The proposed model is tested on the PROMISE dataset, using two graph convolution methods, based on the spectral domain and spatial domain in the graph neural network. The investigation indicated that both convolution methods showed an improvement in various metrics, such as accuracy, F-measure, and MCC (Matthews correlation coefficient) by 86.6%, 85.8%, and 73.5%, and 87.5%, 85.9%, and 75.5%, respectively. The average improvement of various metrics was noted as 9.0%, 10.5%, and 17.5%, and 6.3%, 7.0%, and 12.1%, respectively, compared with the benchmark models.     

基于BP神经网络的传感器网络动态采样模型研究

能耗控制对于农业环境监测无线传感器网络系统具有重要意义。基于误差反向传播的多层前馈神经网络预测和阈值分析建立了一种土壤温度传感器网络动态采样模型,实现了基于土壤温度周期变化特征的采样频率实时调整方法,达到减少网络冗余数据,降低网络功耗的目的。以环境温度和空气相对湿度为BP神经网络实测输入,土壤温度为预测输出,通过判断输出是否进入阈值区间动态调整采样周期。仿真实验结果表明,对于具有周期性特点的土壤温度,BP网络模型对其预测值和实测值之间的均方根误差RMSE及绝对误差AE分别为0.83℃和0.54℃。相比于连续采样,阈值分析动态采样次数减少30%。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

PDA and Neural Network Investigation of Swirl Spray Interaction Phenomena

Experiments are performed to investigate the atomization characteristics of mixed‐interaction regions of sprays of two swirl injectors installed side by side. Both droplet size and velocity distributions on a plane perpendicular to the axes of the injectors are measured using a PDA system. As a result of the interaction phenomenon, a region of secondary atomization is identified that differs significantly from the hollow region spray of a single swirl injector. A neural network algorithm is used to reconstruct the entire spray field for both droplet size and velocity distribution in extrapolation regimes for injector spacing as well as three dimensional spatial coordinates. Excellent agreement between the predicted values and the measurements is obtained. It is observed that points on the extrapolation regime of the neural network can be predicted with an accuracy of 93 % using a training data set with less than 50 % of the number of data points to be predicted. The results indicate the capability of performing design‐ and optimization studies for pressure‐swirl injectors, with sufficient accuracy, by applying a modest amount of data in conjunction with an overall optimized value for the width of the probability.     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。