CN110728047B - 一种基于机器学习性能预测含能分子计算机辅助设计系统 - Google Patents

一种基于机器学习性能预测含能分子计算机辅助设计系统 Download PDF

Info

Publication number
CN110728047B
CN110728047B CN201910950208.2A CN201910950208A CN110728047B CN 110728047 B CN110728047 B CN 110728047B CN 201910950208 A CN201910950208 A CN 201910950208A CN 110728047 B CN110728047 B CN 110728047B
Authority
CN
China
Prior art keywords
molecular
machine learning
molecule
performance
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910950208.2A
Other languages
English (en)
Other versions
CN110728047A (zh
Inventor
宋思维
王毅
张庆华
陈方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Chemical Material of CAEP
Original Assignee
Institute of Chemical Material of CAEP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Chemical Material of CAEP filed Critical Institute of Chemical Material of CAEP
Priority to CN201910950208.2A priority Critical patent/CN110728047B/zh
Publication of CN110728047A publication Critical patent/CN110728047A/zh
Application granted granted Critical
Publication of CN110728047B publication Critical patent/CN110728047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G06N99/007—Molecular computers, i.e. using inorganic molecules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习性能预测含能分子计算机辅助设计系统，属于计算机辅助设计系统技术领域。包括：分子快速生成模块，用于根据用户输入的分子母环及取代基排列组合生成全部可能的分子结构式，并去除重复结构；分子数据集模块，用于记录已报导的含能分子性能数据，所述的含能分子性能数据主要作为机器学习模型训练模块的训练集；分子描述符生成模块，用于对分子快速生成模块产生的分子或分子数据集模块中的分子或用户输入的分子进行分子描述符的计算；机器学习模型训练模块，用于根据分子描述符集的数据采用机器学习算法训练并保存模型；性能预测模块，用于读取模型并对分子快速生成模块产生的分子或用户输入的分子进行性能预测。

Description

一种基于机器学习性能预测含能分子计算机辅助设计系统
技术领域
本发明涉及一种计算机辅助设计系统，特别是涉及一种基于机器学习方法预测含能分子性能的计算机辅助设计系统。该系统能够辅助研究人员根据特定母环及取代基排列组合生成所有可能的分子结构，并基于机器学习方法实现性能预测。
背景技术
如果将诺贝尔研制“代拿买特”作为起点，现代含能材料发展的已有近200年的历史。这期间研究人员陆续发现了许多新型的高性能含能分子，如RDX，HMX，CL-20等等，但更多的尝试是以失败而告终，含能分子的设计和研发仍然需要消耗大量的时间和人力成本。究其原因，一方面是含能分子的主流研发模式仍是传统的“试错法”，这毫无疑问会浪费大量的时间和人力成本，严重阻碍了新型含能分子的研发效率。另一方面，虽然现在研究人员已经可以实现对待研制的含能分子进行性能预估，从而评估该含能分子是否具备较高的应用潜力，进而进行合成，但这种性能预估通常要事先掌握分子结构、密度、生成焓等数据，而这些数据通常要经过大量较为耗时的第一性原理计算才能获得，因而这种“画加打”的研发模式也难以实现对含能分子的高通量预测筛选评估。
近些年来，随着计算机性能的飞跃性提升，机器学习方法已经从单纯的算法研究逐步向应用发展，并且在物理、化学、材料学等各个领域发挥出重要作用，受到各国科研人员的日益重视。借助机器学习方法，我们可以实现对含能分子性能的高效快速预测，避免了现有方法对含能分子进行较为费时的第一性原理计算的过程，再结合快速分子生成技术，可以实现对大量含能分子的高通量性能评估和筛选，精准确定性能较优的含能分子进行合成研究，从而加速新型含能分子的研发。
发明内容
针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于机器学习性能预测含能分子计算机辅助设计系统，能够实现基于指定母环和取代基的快速分子结构生成，并基于机器学习方法在极短时间内实现对分子性能的预测，从而实现含能分子的高通量设计，避免盲目合成新含能化合物，为新含能化合物的设计提供一些理论依据。
为了实现上述目的，本发明采用以下技术方案：
一种基于机器学习性能预测含能分子计算机辅助设计系统，利用计算机生成大量含能分子结构，并基于机器学习算法对所生成的含能分子结构的性能进行预测，实现新型含能分子的高通量设计及评估，从而加速新型含能分子的研发，该系统至少包括：
分子快速生成模块，用于根据用户输入的分子母环及取代基排列组合生成全部可能的分子结构式，并去除重复结构；
分子数据集模块，用于记录已报导的含能分子性能数据，所述的含能分子性能数据主要作为机器学习模型训练模块的训练集；
分子描述符生成模块，用于对分子快速生成模块产生的分子或分子数据集模块中的分子或用户输入的分子进行一系列分子描述符的计算，所得到分子描述符集用于机器学习模型训练模块训练及作为预测模块的输入量；
机器学习模型训练模块，用于根据分子描述符集的数据采用特定的机器学习算法训练，随后保存训练所得到的模型；
性能预测模块，用于读取模型并对分子快速生成模块产生的分子或用户输入的分子进行性能预测。
进一步的，所述的分子快速生成模块，用户根据自身需求按照简化线性输入规范输入字符串形式表示的母环及取代基结构，分子快速生成模块会对母环及取代基进行排列组合并去除重复结构得到所有可能的分子结构，得到的分子结构以字符串形式表示，母环结构没有限制，可以是单环或多环。
进一步的，所述的分子数据集模块包含有包括碳硝基、氧硝基、氮硝基、偕二硝基、硝仿、叠氮、呋咱、氧化呋咱，四唑在内的致爆基团的含能分子结构及包括密度，爆速，爆压，生成焓，撞击感度，摩擦感度，熔点及热分解温度在内的性能数据。
进一步的，所述分子描述符生成模块还包含有分子结构转换功能，可以将以字符串形式输入的分子结构转换为带有原子坐标位置信息的分子结构。
进一步的，所述分子描述符生成模块可以将以字符串形式表示的含能分子结构转换为具有三维坐标信息的分子结构，对分子结构进行基于分子力场方法的构型优化，并对优化后的分子结构进行分子描述符计算。
所述的分子描述符包括但不限于：碳原子数量，氮原子数量，氧原子数量，氢原子数量，氨基数量，硝基数量，碳硝基数量，氮硝基数量，氧硝基数量，偕二硝基数量，硝仿数量，氢键给体数量，氢键受体数量，分子量，分子体积，氧平衡，环数量，杂环数量，芳香杂环数量，芳香环数量，可扭转键数量，摩尔折光率，分子平面性指数，分子偏心率，分子主惯性矩，E-state分子指纹谱。
进一步的，所述的机器学习模型训练模块可以调用分子描述符生成模块产生的代表分子结构特征的数据并结合数据集内分子性能标记数据，根据用户选择的机器学习算法训练预测模型，训练所得到模型可以保存用于后续分子性能预测。
进一步的，所述的机器学习算法为线性回归或核岭回归或岭回归或随机森林回归或决策树回归或神经网络。
进一步的，所述的预测模块可以读取机器学习模型训练模块所产生的模型并调用分子描述符生成模块产生的待预测分子的分子描述符，将分子描述符输入模型进而得到待预测分子相关密度、生成焓、熔点、分解温度、爆速、爆压性能。
进一步的，预测结果会以图片及Excel表格的形式保存下来，便于用户查看。
本发明与现有技术相比具有的有益效果是：
本发明的基于机器学习性能预测含能分子计算机辅助设计系统，是一套给用户提供了高效、快速的从头开始设计并筛选含能分子的智能系统。用户可以通过分子快速生成模块，输入以字符串形式表示的母环及取代基结构通过分子描述符生成模块从而产生大量的分子结构，机器学习模型训练模块基于机器学习方法对分子性能进行预测。除此之外，用户还可以借助分子数据集模块及机器学习模型训练模块对已有含能分子数据进行模型训练用于预测含能分子的各种性能，具有极大的灵活性和可扩展性。
附图说明
图1是本发明的系统结构示意图
图2是本发明的流程图
图3是本发明机器学习模型训练模块工作流程图
图4是本发明预测模块工作流程图
图5是实施例1预测黑索金性能流程
图6是实施例2快速生成分子及性能预测流程。
具体实施方式
下面结合实施例对本发明作进一步的描述，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的其他所用实施例，都属于本发明的保护范围。
实施例
如图1所示，一种基于机器学习性能预测含能分子计算机辅助设计系统，利用计算机生成大量含能分子结构，并基于机器学习算法对所生成的含能分子结构的性能进行预测，实现新型含能分子的高通量设计及评估，从而加速新型含能分子的研发，该系统使用Python语言开发，该系统至少包括：
分子快速生成模块，用于根据用户输入的分子母环及取代基排列组合生成全部可能的分子结构式，并去除重复结构；
分子数据集模块，用于记录已报导的含能分子性能数据，所述的含能分子性能数据主要作为机器学习模型训练模块的训练集；
分子描述符生成模块，用于对分子快速生成模块产生的分子或分子数据集模块中的分子或用户输入的分子进行一系列分子描述符的计算，所得到分子描述符集用于机器学习模型训练模块训练及作为预测模块的输入量；
机器学习模型训练模块，用于根据分子描述符集的数据采用特定的机器学习算法训练，随后保存训练所得到的模型；
性能预测模块，用于读取模型并对分子快速生成模块产生的分子或用户输入的分子进行性能预测。
在本实施例中，所述的分子快速生成模块，用户根据自身需求按照简化线性输入规范输入字符串形式表示的母环及取代基结构，分子快速生成模块会对母环及取代基进行排列组合并去除重复结构得到所有可能的分子结构，得到的分子结构以字符串形式表示，母环结构没有限制，可以是单环或多环。
在本实施例中，所述的分子数据集模块包含有包括碳硝基、氧硝基、氮硝基、偕二硝基、硝仿、叠氮、呋咱、氧化呋咱，四唑在内的致爆基团的含能分子结构及包括密度，爆速，爆压，生成焓，撞击感度，摩擦感度，熔点及热分解温度在内的性能数据。
在本实施例中，所述分子描述符生成模块还包含有分子结构转换功能，可以将以字符串形式输入的分子结构转换为带有原子坐标位置信息的分子结构。
在本实施例中，所述分子描述符生成模块可以将以字符串形式表示的含能分子结构转换为具有三维坐标信息的分子结构，对分子结构进行基于分子力场方法的构型优化，并对优化后的分子结构进行分子描述符计算。
所述的分子描述符包括但不限于：碳原子数量，氮原子数量，氧原子数量，氢原子数量，氨基数量，硝基数量，碳硝基数量，氮硝基数量，氧硝基数量，偕二硝基数量，硝仿数量，氢键给体数量，氢键受体数量，分子量，分子体积，氧平衡，环数量，杂环数量，芳香杂环数量，芳香环数量，可扭转键数量，摩尔折光率，分子平面性指数，分子偏心率，分子主惯性矩，E-state分子指纹谱。
在本实施例中，所述的机器学习模型训练模块可以调用分子描述符生成模块产生的代表分子结构特征的数据并结合数据集内分子性能标记数据，根据用户选择的机器学习算法训练预测模型，训练所得到模型可以保存用于后续分子性能预测。所述的机器学习算法包括：线性回归，核岭回归，岭回归，随机森林回归，决策树回归，神经网络等多种监督学习算法。
在本实施例中，所述的预测模块可以读取机器学习模型训练模块所产生的模型并调用分子描述符生成模块产生的待预测分子的分子描述符，将分子描述符输入模型进而得到待预测分子相关密度、生成焓、熔点、分解温度、爆速、爆压性能。预测结果会以图片及Excel表格的形式保存下来，便于用户查看。
图2为本发明的具体实施方式流程图。
用户根据自身需求按照简化线性输入规范(SMILES)输入字符串形式表示的母环及取代基结构，分子快速生成模块会对母环及取代基进行排列组合并去除重复结构得到所有可能的分子结构。然后经过格式转换，分子描述符计算，最后输入机器学习模型训练模块进行性能预测。
如图3所示，用户运行机器学习模型训练模块生成预测模型时，首先需要载入已有的含能分子性能数据集模块，之后通过分子描述符生成模块将SMILES格式的分子结构转换为三维坐标信息后再进行优化并计算一系列描述，机器学习模型训练模块读取描述符后，用户需根据提示选择训练算法并进行调参得到模型，保存的模型即可用于后续预测任务。
如图4所示，用户使用性能预测模块进行性能预测时，只需要输入以SMILES格式表示的分子结构及想要预测的密度、生成焓、爆速、爆压等性能，便可得到相应的预测值。
以下是一些具体实施例，需要说明的是本发明不限于这些实施例.
实施例1
图5是预测单个已知含能分子RDX的性能数据的流程。第一步为输入SMILES代码表示的RDX的分子结构，第二步为优化结构并计算描述符，第三步选择核岭回归算法(KRR)所生成模型对RDX的密度、爆速及爆压性能进行预测。预测结果与实验值相比误差极小。
实施例2
图6为基于苯环及氨基、硝基取代基的全分子空间生成及性能预测流程。用户仅需输入SMILES形式表示的苯环及硝基、氨基结构式，分子快速生成模块会自动生成91个无重复的分子结构，随后分子描述符模块会对91个分子结构进行优化并计算描述符。随后，根据用户输入的想要预测的性能及所采用的算法产生的模型，如核岭回归(KRR)模型，系统会对这91个分子的性能进行预测，整个流程仅耗时几分钟，速度远超于传统的计算方法，并且仍能保持高精度。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (7)

1.一种基于机器学习性能预测含能分子计算机辅助设计系统，利用计算机生成大量含能分子结构，并基于机器学习算法对所生成的含能分子结构的性能进行预测，实现新型含能分子的高通量设计及评估，从而加速新型含能分子的研发，其特征在于，该系统至少包括：
分子快速生成模块，用于根据用户输入的分子母环及取代基排列组合生成全部可能的分子结构式，并去除重复结构；其中，用户按照简化线性输入规范输入字符串形式表示的母环及取代基结构，分子快速生成模块用于对母环及取代基进行排列组合并去除重复结构得到所有可能的分子结构，得到的分子结构以字符串形式表示，母环结构可以是单环或多环；
分子数据集模块，用于记录已报导的含能分子性能数据，所述的含能分子性能数据主要作为机器学习模型训练模块的训练集；
分子描述符生成模块，用于对分子快速生成模块产生的分子或分子数据集模块中的分子或用户输入的分子进行分子描述符的计算，所得到分子描述符集用于机器学习模型训练模块训练及作为性能预测模块的输入量；所述分子描述符生成模块还包含有分子结构转换功能，用于将以字符串形式输入的分子结构转换为带有原子坐标位置信息的分子结构；
机器学习模型训练模块，用于根据分子描述符集的数据采用机器学习算法训练，随后保存训练所得到的模型；所述的机器学习模型训练模块可以调用分子描述符生成模块产生的数据并结合数据集内分子性能标记数据，根据用户选择的机器学习算法训练预测模型，训练所得到模型可以保存用于后续分子性能预测；
性能预测模块，用于读取模型并对分子快速生成模块产生的分子或用户输入的分子进行性能预测。
2.根据权利要求1所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，所述的分子数据集模块包含有包括碳硝基、氧硝基、氮硝基、偕二硝基、硝仿、叠氮、呋咱、氧化呋咱，四唑在内的致爆基团的含能分子结构及包括密度，爆速，爆压，生成焓，撞击感度，摩擦感度，熔点及热分解温度在内的性能数据。
3.根据权利要求1所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，所述分子描述符生成模块可以将以字符串形式表示的含能分子结构转换为具有三维坐标信息的分子结构，对分子结构进行基于分子力场方法的构型优化，并对优化后的分子结构进行分子描述符计算。
4.根据权利要求3所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，所述的分子描述符包括但不限于：碳原子数量，氮原子数量，氧原子数量，氢原子数量，氨基数量，硝基数量，碳硝基数量，氮硝基数量，氧硝基数量，偕二硝基数量，硝仿数量，氢键给体数量，氢键受体数量，分子量，分子体积，氧平衡，环数量，杂环数量，芳香杂环数量，芳香环数量，可扭转键数量，摩尔折光率，分子平面性指数，分子偏心率，分子主惯性矩，E-state分子指纹谱。
5.根据权利要求1所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，所述的机器学习算法为线性回归或核岭回归或岭回归或随机森林回归或决策树回归或神经网络。
6.根据权利要求1所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，所述的预测模块可以读取机器学习模型训练模块所产生的模型并调用分子描述符生成模块产生的待预测分子的分子描述符，将分子描述符输入模型进而得到待预测分子相关密度、生成焓、熔点、分解温度、爆速、爆压性能。
7.根据权利要求6所述的基于机器学习性能预测含能分子计算机辅助设计系统，其特征在于，预测结果会以图片及Excel表格的形式保存下来，便于用户查看。
CN201910950208.2A 2019-10-08 2019-10-08 一种基于机器学习性能预测含能分子计算机辅助设计系统 Active CN110728047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910950208.2A CN110728047B (zh) 2019-10-08 2019-10-08 一种基于机器学习性能预测含能分子计算机辅助设计系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910950208.2A CN110728047B (zh) 2019-10-08 2019-10-08 一种基于机器学习性能预测含能分子计算机辅助设计系统

Publications (2)

Publication Number Publication Date
CN110728047A CN110728047A (zh) 2020-01-24
CN110728047B true CN110728047B (zh) 2023-04-07

Family

ID=69220792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910950208.2A Active CN110728047B (zh) 2019-10-08 2019-10-08 一种基于机器学习性能预测含能分子计算机辅助设计系统

Country Status (1)

Country Link
CN (1) CN110728047B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899807B (zh) * 2020-06-12 2024-05-28 中国石油天然气股份有限公司 一种分子结构生成方法、系统、设备及存储介质
CN112002380B (zh) * 2020-08-14 2023-05-05 四川大学 基于机器学习的高生成热含能材料的自适应设计方法
WO2022077258A1 (zh) * 2020-10-14 2022-04-21 深圳晶泰科技有限公司 基于机器学习的自由能微扰网络设计方法
CN112037868B (zh) * 2020-11-04 2021-02-12 腾讯科技（深圳）有限公司 用于确定分子逆合成路线的神经网络的训练方法和装置
CN112382350B (zh) * 2020-11-20 2023-07-28 四川大学 含能物质感度和力学性能及其关系的机器学习估算方法
CN116646024A (zh) * 2023-07-26 2023-08-25 苏州创腾软件有限公司 基于机器学习的开环聚合焓预测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477597A (zh) * 2009-01-15 2009-07-08 浙江大学 基于化合物特征的天然产物活性成分计算识别方法
CN101504679A (zh) * 2009-03-19 2009-08-12 西安近代化学研究所 一种含能化合物的计算机辅助设计系统
CN105844028A (zh) * 2016-03-28 2016-08-10 西安近代化学研究所 一种含能化合物计算机辅助设计系统
JP2017188032A (ja) * 2016-04-08 2017-10-12 住友ゴム工業株式会社 ポリマー組成物の性能の予測方法
CN108440563A (zh) * 2018-03-22 2018-08-24 中国工程物理研究院化工材料研究所 二呋咱并哌嗪联四唑含能离子盐及其合成方法
WO2018220368A1 (en) * 2017-05-30 2018-12-06 Gtn Ltd Tensor network machine learning system
CA3066223A1 (en) * 2017-06-08 2018-12-13 Just Biotherapeutics, Inc. Predicting molecular properties of molecular variants using residue-specific molecular structural features

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160358099A1 (en) * 2015-06-04 2016-12-08 The Boeing Company Advanced analytical infrastructure for machine learning
CN107844836A (zh) * 2017-10-24 2018-03-27 信雅达系统工程股份有限公司 一种基于机器学习的系统及学习方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477597A (zh) * 2009-01-15 2009-07-08 浙江大学 基于化合物特征的天然产物活性成分计算识别方法
CN101504679A (zh) * 2009-03-19 2009-08-12 西安近代化学研究所 一种含能化合物的计算机辅助设计系统
CN105844028A (zh) * 2016-03-28 2016-08-10 西安近代化学研究所 一种含能化合物计算机辅助设计系统
JP2017188032A (ja) * 2016-04-08 2017-10-12 住友ゴム工業株式会社 ポリマー組成物の性能の予測方法
WO2018220368A1 (en) * 2017-05-30 2018-12-06 Gtn Ltd Tensor network machine learning system
CA3066223A1 (en) * 2017-06-08 2018-12-13 Just Biotherapeutics, Inc. Predicting molecular properties of molecular variants using residue-specific molecular structural features
CN108440563A (zh) * 2018-03-22 2018-08-24 中国工程物理研究院化工材料研究所 二呋咱并哌嗪联四唑含能离子盐及其合成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王吉星.高分子合成与性能预测的计算机模拟.工程科技Ⅰ辑.2004,全文. *
王正国 ; 饶含兵 ; 李泽荣 ; .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.化学研究与应用.2006,(11),全文. *
聂长森 ; 白勇 ; 柳贤德 ; .基于机器学习的COX抑制剂预测模型研究.计算机技术与发展.2017,(10),全文. *

Also Published As

Publication number Publication date
CN110728047A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110728047B (zh) 一种基于机器学习性能预测含能分子计算机辅助设计系统
Izmaylov et al. Efficient evaluation of short-range Hartree-Fock exchange in large molecules and periodic systems
Marsden et al. Engineering Empires: a cultural history of technology in nineteenth-century Britain
CN104408163B (zh) 一种数据分级存储方法和装置
US20080222138A1 (en) Method and Apparatus for Constructing a Link Structure Between Documents
Dandekar et al. Sensitive micro data protection using latin hypercube sampling technique
WO2012051934A1 (zh) 对搜索结果进行排序的方法及装置、信息提供方法及装置
Lísal et al. Dissipative particle dynamics with reactions: Application to RDX decomposition
Kratochvil et al. SOMHunter: lightweight video search system with SOM-guided relevance feedback
CN103927177A (zh) 基于LDA模型和PageRank算法建立特征接口有向图的方法
JP2009021946A5 (zh)
Zhu et al. Hierarchical transformer for scalable graph learning
Li et al. Consistent sampling through extremal process
Qin et al. GDESA: Greedy diversity encoder with self-attention for search results diversification
CN108304384B (zh) 拆词方法及设备
Dinnbier et al. On the dynamical evolution of Cepheids in star clusters
CN102567364A (zh) 文件搜索系统及方法
JP2013175176A (ja) 関連用語の検索システム及び検索方法
CN117079744A (zh) 含能分子人工智能设计方法
Nomura et al. Partial dynamical symmetry from energy density functionals
Dandekar et al. Applicability of Latin Hypercube Sampling to create multi variate synthetic micro data
Tupper Adaptive model reduction for chemical kinetics
CN112487636B (zh) 一种基于云计算技术的分子动力学计算方法及其系统
Sharma et al. Development of decision tree algorithm for mining web data stream
CN110211642A (zh) 基于相场法的calphad自由能提取方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant