CN111243680B - 用于模拟原子动态的方法和装置 - Google Patents

用于模拟原子动态的方法和装置 Download PDF

Info

Publication number
CN111243680B
CN111243680B CN201811444034.4A CN201811444034A CN111243680B CN 111243680 B CN111243680 B CN 111243680B CN 201811444034 A CN201811444034 A CN 201811444034A CN 111243680 B CN111243680 B CN 111243680B
Authority
CN
China
Prior art keywords
atoms
positions
predicted
unit
simulated
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
CN201811444034.4A
Other languages
English (en)
Other versions
CN111243680A (zh
Inventor
汪留安
孙俊
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201811444034.4A priority Critical patent/CN111243680B/zh
Priority to JP2019204930A priority patent/JP2020087456A/ja
Priority to EP19209742.6A priority patent/EP3678140A1/en
Priority to US16/695,834 priority patent/US11386248B2/en
Publication of CN111243680A publication Critical patent/CN111243680A/zh
Application granted granted Critical
Publication of CN111243680B publication Critical patent/CN111243680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/80—Data visualisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

公开了用于模拟原子动态的方法和装置。该方法包括：设置特定场景下多个特定原子的初始位置；基于初始位置，利用针对特定场景配置的大规模原子分子并行模拟器(LAMMPS)计算多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；基于初始位置，利用生成式对抗网络计算多个特定原子在第一时间序列中的每个时刻的位置，作为预测位置；基于相同时刻的真实位置和预测位置来改进生成式对抗网络的配置；设置多个待模拟原子的初始位置；以及利用经改进的生成式对抗网络，计算多个待模拟原子在第二时间序列中的每个时刻的位置。

Description

用于模拟原子动态的方法和装置
技术领域
本发明涉及用于模拟原子动态的方法和装置，更具体地，涉及利用深度神经网络来模拟原子动态的方法和装置。
背景技术
分子动力学的模拟旨在研究原子和分子的物理运动。随着计算机技术的发展，分子动力学模拟及其工程应用越来越受到人们的重视。一方面，它能从本质上定量地探索机理和规律，另一方面，它又能促进研发工作向经济、高效和有预见性的方向发展。
已知的用于分子动力学模拟的工具包括由桑迪亚国家实验室开发的大规模原子分子并行模拟器(LAMMPS)。LAMMPS可以支持气态、液态、固态相形态下的百万级的原子分子体系。LAMMPS使用空间分解技术将模拟域划分为小的三维子域，每个子域被分配给一个处理器进行处理。尽管如此，LAMMPS的模拟仍然需要大量的计算资源和时间。
另一方面，基于深度神经网络的方法近年来已经在大量应用中取得了很大发展。这些方法通常是针对数据集来训练深度神经网络，然后将训练好的神经网络模型部署于实际应用中。
发明内容
本发明提出了一种利用深度神经网络来进行分子动力学模拟的方案。根据本发明的一个方面，提供了一种用于模拟原子动态的方法，包括：设置特定场景下多个特定原子的初始位置；基于所述初始位置，利用针对所述特定场景配置的LAMMPS计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；设置多个待模拟原子的初始位置；以及利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置。
根据本发明的另一个方面，提供了一种用于模拟原子动态的装置，包括：存储器，以及一个或多个处理器，所述处理器被配置为：设置特定场景下多个特定原子的初始位置；基于所述初始位置，利用针对所述特定场景配置的LAMMPS计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；设置多个待模拟原子的初始位置；利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置。
根据本发明的又一个方面，提供了一种存储有程序的记录介质，所述程序在被计算机执行时，使得计算机实现如上所述的用于模拟原子动态的方法。
附图说明
图1示出了根据本发明的模拟原子动态的方法的总体流程图。
图2示出了用于训练生成式对抗网络的处理的流程图。
图3示出了生成式对抗网络的示意性框图。
图4具体示出了图2中的步骤S240的处理。
图5示意性地示出了以神经网络实现的生成单元。
图6示意性地示出了以神经网络实现的判别单元。
图7示出了利用经训练的生成式对抗网络模拟原子动态的流程图。
图8示出了实现本发明的计算机硬件的示例性配置框图。
具体实施方式
图1示出了根据本发明的模拟原子动态的方法的总体流程图。
在图1中，通过步骤S110-S130执行对生成式对抗网络(GAN)的训练，然后在步骤S140将训练好的GAN应用于实际的模拟处理。为了表述清楚起见，在下文中将训练阶段中所涉及的原子称为“训练原子”，将实际模拟阶段所涉及的原子称为“待模拟原子”。
具体来说，在步骤S110，利用LAMMPS来计算训练原子在初始时刻之后的多个时刻的位置，作为训练原子在相应时刻的真实位置。在本文中，原子的位置可以由原子的三维坐标来表示，并且优选地，原子的三维坐标被归一化至区间[0,1]。
在步骤S120，通过利用GAN来获得训练原子在相同的多个时刻的位置，作为训练原子在相应时刻的预测位置。GAN可以由深度神经网络来实现。
在步骤S130，基于训练原子在同一时刻的真实位置与预测位置来训练GAN。
然后在步骤S140，利用训练好的GAN来计算作为实际模拟对象的原子在未来时刻的位置。根据计算结果可以得知待模拟原子在未来任意时刻的位置，进而可以得知该原子的未来运动状态。
需要说明的是，在本文中将原子的未来位置作为原子动态的一个具体示例，然而模拟原子动态并不仅限于模拟原子的未来位置。例如，还可以针对原子的核电荷进行模拟。
如图1所示，本发明的方法利用经训练的深度神经网络来模拟原子动态。因此，相比于传统工具LAMMPS，本发明的方法在实际模拟中具有计算量小、复杂度低的优点，因此需要更少的计算资源和时间。
以下将结合图2-图4来具体说明GAN的训练过程。图2示出了用于训练GAN的处理的流程图。
如图2所示，首先在步骤S210针对特定场景设置多个训练原子在初始时刻的初始位置。例如，在要对铜的微观性质进行模拟和研究的境况下，可以根据初始温度、压力、密度等状态来设置多个铜原子的初始位置。
在步骤S220，基于初始位置，利用LAMMPS计算该多个训练原子在初始时刻之后的多个时刻的真实位置，例如，可以以预定间隔来设置该多个时刻，也可以不均匀地设置该多个时刻。
在步骤S230，基于初始位置，通过利用GAN来获得该多个训练原子在相同的多个时刻的预测位置。由于此时GAN尚未被训练，因此可以采用GAN的初始配置。
然后在步骤S240，基于在步骤S220和S230中获得的同一时刻的真实位置和预测位置来训练GAN，以使得由GAN计算的预测位置尽可能接近于由LAMMPS计算的真实位置。当认为预测位置与真实位置基本一致时，GAN的训练完成。
图3示出了GAN的示意性框图，图4示出了图2的步骤S240的具体处理。
如图3所示，GAN包括生成单元310和判别单元320。在本文中，生成单元310和判别单元320都可以由神经网络来实现。生成单元310根据输入的训练原子的初始位置(或当前位置)来生成下一时刻的预测位置。判别单元320接收来自生成单元310的预测位置，并且确定所接收的预测位置是所述下一时刻的真实位置的概率。当所确定的概率大于50％时，判别单元320输出表示预测位置是真实位置的判断结果“1”。当所确定的概率小于50％时，判别单元320输出表示预测位置不是真实位置的判断结果“0”。
判别单元320的操作目的是尽力分辨所接收的预测位置是否是同一时刻的真实位置。当所确定的概率越大(大于50％)时，判别单元320更加肯定预测位置是真实位置。当所确定的概率越小(小于50％)时，判别单元320更加肯定预测位置不是真实位置。
生成单元310的操作目的是生成尽可能接近于真实位置的预测位置，以使得判别单元320难以分辨预测位置和真实位置。换言之，当判别单元320难以确定所接收的预测位置是否是真实位置时，即，当判别单元320所确定的概率为50％或接近于50％时，生成单元310达到理想状态。
基于以上目的，对构成GAN的生成单元310和判别单元320进行训练。如图4所示，首先在步骤S410对判别单元320进行训练，以使其能够判别从生成单元310接收的预测位置是否是同一时刻的真实位置，换言之，使其能够确定大于50％或小于50％的概率。
假设存在m个训练原子，并且利用LAMMPS计算的该m个训练原子的真实位置表示为x1,x2,...,xm，则可以通过使得以下损失函数LD最大化的方式来训练判别单元320：
Figure BDA0001885359120000041
其中，xi表示第i个训练原子的真实位置(i＝1,2,…,m)，G(xi)表示由生成单元310生成的第i个训练原子的预测位置，D()表示括号内的位置是真实位置的概率。
然后在步骤S420对生成单元310进行训练，以使得判别单元320无法确定由生成单元310生成的预测位置是否是同一时刻的真实位置，换言之，使得判别单元320确定的概率为50％或接近于50％。
具体来说，可以通过使得以下损失函数LG最小化的方式来训练生成单元310：
Figure BDA0001885359120000051
其中，G(xi)表示由生成单元310生成的第i个训练原子的预测位置，D(G(xi))表示由判别单元320确定的、该预测位置是真实位置的概率，LMSE表示同一时刻的真实位置和预测位置之间的均方误差，λ是权重参数，例如可以取0.5，1等等的值。从等式(2)可以看出，为了使损失函数LG最小化，需要使均方误差LMSE最小化。此外，可以通过以下等式(3)来计算LMSE：
Figure BDA0001885359120000052
可以通过重复地执行步骤S410和S420而交替迭代地训练生成单元310和判别单元320。当判别单元320所确定的概率为50％或接近于50％时，表明判别单元320已经难以分辨预测位置和真实位置，因此可以认为生成单元310所生成的预测位置与LAMMPS所计算的真实位置一致。此时，由于生成单元310能够生成与LAMMPS相同的输出，因此可以代替LAMMPS而应用于实际模拟中。至此，对GAN的训练完成。
图5和图6分别示意性地示出了生成单元310和判别单元320的神经网络结构，图中的圆圈表示神经元。如图5所示，在生成单元310的输入端输入某一原子在时刻t的位置坐标x(t)，在生成单元310的输出端输出该原子在时刻t+n的预测位置坐标x’(t+n)。如图6所示，在判别单元320的输入端输入由生成单元310输出的预测位置坐标x’(t+n)以及由LAMMPS计算的该原子在时刻t+n的真实位置坐标x(t+n)，在判别单元320的输出端输出判别结果“0”或“1”。
需要说明的是，如上所述，本文中将原子的位置作为原子动态的一个示例，然而模拟原子动态并不仅限于模拟原子的未来位置，例如，还可以模拟原子的核电荷等特征。因此，在图5和图6中示出的位置坐标x(t)、x’(t+n)等还可以被扩展为包括原子的其它特征。
以下将结合图7来描述将训练好的GAN应用于实际模拟。图7示出了利用训练好的GAN来模拟原子动态的流程图。
在步骤S710，设置作为实际模拟对象的多个原子在初始时刻的初始位置。然后在步骤S720，基于初始位置，利用经训练的GAN来获得待模拟原子在初始时刻之后的一个或多个时刻的位置，作为模拟结果。可以根据实际需求来设置期望获得模拟结果的一个或多个时刻。
在步骤S730，通过分析模拟结果来确定由这些原子构成的物质的性质。例如，假设作为步骤S720的模拟结果，获得了多个铜原子在多个时刻的位置。从而可以在步骤S730中通过分析这些铜原子在各个时刻的位置，得知铜原子的运动轨迹、运动方向、速度等信息，进而可以得出由这些铜原子构成的铜的温度、形态、密度等特征。
以上已经结合具体实施例描述了本发明的技术方案。本发明的技术方案能够通过训练GAN而获得与LAMMPS等同的模拟结果，并且在实际应用中具有计算量小、复杂度低的优点，需要的计算资源和时间也更少。
在上述实施例中描述的方法可以由软件、硬件或者软件和硬件的组合来实现。包括在软件中的程序可以事先存储在设备的内部或外部所设置的存储介质中。作为一个示例，在执行期间，这些程序被写入随机存取存储器(RAM)并且由处理器(例如CPU)来执行，从而实现在本文中描述的各种处理。
图8示出了根据程序执行本发明的方法的计算机硬件的示例配置框图，该计算机硬件是根据本发明的用于模拟原子动态的装置的一个示例。
如图8所示，在计算机800中，中央处理单元(CPU)801、只读存储器(ROM)802以及随机存取存储器(RAM)803通过总线804彼此连接。
输入/输出接口805进一步与总线804连接。输入/输出接口805连接有以下组件：以键盘、鼠标、麦克风等形成的输入单元806；以显示器、扬声器等形成的输出单元807；以硬盘、非易失性存储器等形成的存储单元808；以网络接口卡(诸如局域网(LAN)卡、调制解调器等)形成的通信单元809；以及驱动移动介质811的驱动器810，该移动介质811例如是磁盘、光盘、磁光盘或半导体存储器。
在具有上述结构的计算机中，CPU 801将存储在存储单元808中的程序经由输入/输出接口805和总线804加载到RAM 803中，并且执行该程序，以便执行上文中描述的方法。
要由计算机(CPU 801)执行的程序可以被记录在作为封装介质的移动介质811上，该封装介质以例如磁盘(包括软盘)、光盘(包括压缩光盘-只读存储器(CD-ROM))、数字多功能光盘(DVD)等)、磁光盘、或半导体存储器来形成。此外，要由计算机(CPU 801)执行的程序也可以经由诸如局域网、因特网、或数字卫星广播的有线或无线传输介质来提供。
当移动介质811安装在驱动器810中时，可以将程序经由输入/输出接口805安装在存储单元808中。另外，可以经由有线或无线传输介质由通信单元809来接收程序，并且将程序安装在存储单元808中。可替选地，可以将程序预先安装在ROM 802或存储单元808中。
由计算机执行的程序可以是根据本说明书中描述的顺序来执行处理的程序，或者可以是并行地执行处理或当需要时(诸如，当调用时)执行处理的程序。
本文中所描述的单元或装置仅是逻辑意义上的，并不严格对应于物理设备或实体。例如，本文所描述的每个单元的功能可能由多个物理实体来实现，或者，本文所描述的多个单元的功能可能由单个物理实体来实现。此外，在一个实施例中描述的特征、部件、元素、步骤等并不局限于该实施例，而是也可以应用于其它实施例，例如替代其它实施例中的特定特征、部件、元素、步骤等，或者与其相结合。
本发明的范围不限于在本文中描述的具体实施例。本领域普通技术人员应该理解的是，取决于设计要求和其他因素，在不偏离本发明的原理和精神的情况下，可以对本文中的实施例进行各种修改或变化。本发明的范围由所附权利要求及其等同方案来限定。
附记：
(1).一种用于模拟原子动态的方法，包括：
设置特定场景下多个特定原子的初始位置；
基于所述初始位置，利用针对所述特定场景配置的大规模原子分子并行模拟器(LAMMPS)计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；
基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；
基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；
设置多个待模拟原子的初始位置；
利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置。
(2).根据(1)的方法，还包括：
利用所述生成式对抗网络中的生成单元计算所述多个特定原子在所述第一时间序列中的每个时刻的预测位置；
利用所述生成式对抗网络中的判别单元确定所述预测位置是相同时刻的真实位置的概率；
基于相同时刻的预测位置和真实位置来改进所述生成单元和所述判别单元的配置，直到由所述判别单元确定的概率为50％。
(3).根据(2)的方法，还包括：以使得所述判别单元能够确定所述预测位置是否是相同时刻的真实位置的方式来改进所述判别单元。
(4).根据(3)的方法，还包括：以使得所述判别单元无法确定所述生成单元计算的预测位置是否是相同时刻的真实位置的方式来改进所述生成单元。
(5).根据(3)的方法，还包括：以使相同时刻的真实位置和预测位置之间的均方误差最小化的方式来改进所述生成单元。
(6).根据(1)的方法，还包括：通过分析所述多个待模拟原子在所述第二时间序列中的每个时刻的位置来确定由所述多个待模拟原子构成的物质的性质。
(7).根据(1)的方法，其中，所述生成单元和所述判别单元由神经网络实现。
(8).一种用于模拟原子动态的装置，包括：存储器，以及一个或多个处理器，所述处理器被配置为：
设置特定场景下多个特定原子的初始位置；
基于所述初始位置，利用针对所述特定场景配置的大规模原子分子并行模拟器(LAMMPS)计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；
基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；
基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；
设置多个待模拟原子的初始位置；
利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置。
(9).根据(8)的装置，其中，所述处理器还被配置为：
利用所述生成式对抗网络中的生成单元计算所述多个特定原子在所述第一时间序列中的每个时刻的预测位置；
利用所述生成式对抗网络中的判别单元确定所述预测位置是相同时刻的真实位置的概率；
基于相同时刻的预测位置和真实位置来改进所述生成单元和所述判别单元的配置，直到由所述判别单元确定的概率为50％。
(10).根据(9)的装置，其中，所述处理器还被配置为：
以使得所述判别单元能够确定所述预测位置是否是相同时刻的真实位置的方式来改进所述判别单元；
以使得所述判别单元无法确定所述生成单元计算的预测位置是否是相同时刻的真实位置的方式来改进所述生成单元。
(11).一种存储有程序的记录介质，所述程序在被计算机执行时，使得计算机实现根据(1)-(7)的用于模拟原子动态的方法。

Claims (9)

1.一种用于模拟原子动态的方法，包括：
设置特定场景下多个特定原子的初始位置；
基于所述初始位置，利用针对所述特定场景配置的大规模原子分子并行模拟器(LAMMPS)计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；
基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；
基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；
设置多个待模拟原子的初始位置；
利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置；
通过分析所述多个待模拟原子在所述第二时间序列中的每个时刻的位置来确定由所述多个待模拟原子构成的物质的性质。
2.根据权利要求1所述的方法，还包括：
利用所述生成式对抗网络中的生成单元计算所述多个特定原子在所述第一时间序列中的每个时刻的预测位置；
利用所述生成式对抗网络中的判别单元确定所述预测位置是相同时刻的真实位置的概率；
基于相同时刻的预测位置和真实位置来改进所述生成单元和所述判别单元的配置，直到由所述判别单元确定的概率为50％。
3.根据权利要求2所述的方法，还包括：
以使得所述判别单元能够确定所述预测位置是否是相同时刻的真实位置的方式来改进所述判别单元。
4.根据权利要求3所述的方法，还包括：
以使得所述判别单元无法确定所述生成单元计算的预测位置是否是相同时刻的真实位置的方式来改进所述生成单元。
5.根据权利要求3所述的方法，还包括：
以使相同时刻的真实位置和预测位置之间的均方误差最小化的方式来改进所述生成单元。
6.根据权利要求1所述的方法，其中，所述生成单元和所述判别单元由神经网络实现。
7.一种用于模拟原子动态的装置，包括：存储器，以及一个或多个处理器，所述处理器被配置为：
设置特定场景下多个特定原子的初始位置；
基于所述初始位置，利用针对所述特定场景配置的大规模原子分子并行模拟器(LAMMPS)计算所述多个特定原子在第一时间序列中的每个时刻的位置，作为真实位置；
基于所述初始位置，利用生成式对抗网络计算所述多个特定原子在所述第一时间序列中的每个时刻的位置，作为预测位置；
基于相同时刻的真实位置和预测位置来改进所述生成式对抗网络的配置；
设置多个待模拟原子的初始位置；
利用经改进的生成式对抗网络，计算所述多个待模拟原子在第二时间序列中的每个时刻的位置；
通过分析所述多个待模拟原子在所述第二时间序列中的每个时刻的位置来确定由所述多个待模拟原子构成的物质的性质。
8.根据权利要求7所述的装置，其中，所述处理器还被配置为：
利用所述生成式对抗网络中的生成单元计算所述多个特定原子在所述第一时间序列中的每个时刻的预测位置；
利用所述生成式对抗网络中的判别单元确定所述预测位置是相同时刻的真实位置的概率；
基于相同时刻的预测位置和真实位置来改进所述生成单元和所述判别单元的配置，直到由所述判别单元确定的概率为50％。
9.根据权利要求8所述的装置，其中，所述处理器还被配置为：
以使得所述判别单元能够确定所述预测位置是否是相同时刻的真实位置的方式来改进所述判别单元；
以使得所述判别单元无法确定所述生成单元计算的预测位置是否是相同时刻的真实位置的方式来改进所述生成单元。
CN201811444034.4A 2018-11-29 2018-11-29 用于模拟原子动态的方法和装置 Active CN111243680B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811444034.4A CN111243680B (zh) 2018-11-29 2018-11-29 用于模拟原子动态的方法和装置
JP2019204930A JP2020087456A (ja) 2018-11-29 2019-11-12 原子ダイナミクスをシミュレーションするための方法及び装置
EP19209742.6A EP3678140A1 (en) 2018-11-29 2019-11-18 Method and device for simulating atomic dynamics
US16/695,834 US11386248B2 (en) 2018-11-29 2019-11-26 Method and device for simulating atomic dynamics

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811444034.4A CN111243680B (zh) 2018-11-29 2018-11-29 用于模拟原子动态的方法和装置

Publications (2)

Publication Number Publication Date
CN111243680A CN111243680A (zh) 2020-06-05
CN111243680B true CN111243680B (zh) 2023-06-09

Family

ID=68609996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811444034.4A Active CN111243680B (zh) 2018-11-29 2018-11-29 用于模拟原子动态的方法和装置

Country Status (4)

Country Link
US (1) US11386248B2 (zh)
EP (1) EP3678140A1 (zh)
JP (1) JP2020087456A (zh)
CN (1) CN111243680B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7302621B2 (ja) * 2021-04-02 2023-07-04 株式会社豊田中央研究所 有機材料輸送特性評価装置及び有機材料輸送特性評価方法
KR20240114536A (ko) * 2023-01-17 2024-07-24 삼성전자주식회사 데이터 처리 장치 및 데이터 처리 방법
CN117807782B (zh) * 2023-12-29 2024-06-07 南京仁高隆软件科技有限公司 一种实现三维仿真模型的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1661368A (zh) * 2004-02-26 2005-08-31 富士通株式会社 确定离子分布的快速预测方法
CN108701049A (zh) * 2016-02-16 2018-10-23 微软技术许可有限责任公司 转换原子读取-修改-写入访问

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9373059B1 (en) * 2014-05-05 2016-06-21 Atomwise Inc. Systems and methods for applying a convolutional network to spatial data
JP6610182B2 (ja) * 2015-11-09 2019-11-27 富士通株式会社 結合自由エネルギー計算の前処理方法、結合自由エネルギーの算出方法、及び装置、並びにプログラム
JP7395169B2 (ja) * 2017-11-14 2023-12-11 慶應義塾 時系列データ生成装置及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1661368A (zh) * 2004-02-26 2005-08-31 富士通株式会社 确定离子分布的快速预测方法
CN108701049A (zh) * 2016-02-16 2018-10-23 微软技术许可有限责任公司 转换原子读取-修改-写入访问

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Deep learning massively accelerates super-resolution localization microscopy";Wei Ouyang etc.;《nature biotechnology》;第36卷(第5期);论文第461-466页 *
"DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics";Han Wang etc.;《ELSEVIER》;第228卷;论文第2-4节 *
Wei Ouyang etc.."Deep learning massively accelerates super-resolution localization microscopy".《nature biotechnology》.2018,第36卷(第5期), *

Also Published As

Publication number Publication date
CN111243680A (zh) 2020-06-05
JP2020087456A (ja) 2020-06-04
US20200175126A1 (en) 2020-06-04
EP3678140A1 (en) 2020-07-08
US11386248B2 (en) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111243680B (zh) 用于模拟原子动态的方法和装置
Hagelberg Electron dynamics in molecular interactions: principles and applications
US8276106B2 (en) Swarm intelligence for electrical design space modeling and optimization
US20220277120A1 (en) Systems and methods for machine learning based fast static thermal solver
CN115601629A (zh) 模型训练方法、图像识别方法、介质、装置和计算设备
CN115527607A (zh) 一种药物分子和蛋白靶点结合姿势预测处理方法
CN118715525A (zh) 使用生成神经网络的计算有效率的提炼
US11651129B2 (en) Selecting a subset of training data from a data pool for a power prediction model
CN114510592B (zh) 图像分类方法、装置、电子设备及存储介质
Wang et al. Physics-Informed Generative Adversarial Networks (GANs) for Fast Prediction of High-Resolution Indoor Air Flow Field.
CN114974438A (zh) 粒子运动模拟方法、装置、设备、存储介质和程序产品
JP2019091237A (ja) 時系列データ生成装置及びプログラム
Eskilsson et al. Hierarchical approaches to train recurrent neural networks for wave-body interaction problems
WO2006014797A2 (en) Object oriented acoustic modeling tools and methods
CN116842409B (zh) 新能源发电场景生成方法、装置、计算机设备和存储介质
JP7405148B2 (ja) 情報処理装置、学習方法、及び、プログラム
CN109242937B (zh) 将Mike流场结果文件转换成shapefile矢量文件的方法和装置
CN117332703B (zh) 人工地震波生成方法、设备及存储介质
US20220092390A1 (en) Systems and methods of component-based modeling using trained surrogates
US10504269B2 (en) Inertial damping for enhanced simulation of elastic bodies
Hoang et al. Exploring the Use of Generative AI in the Search for Extraterrestrial Intelligence (SETI)
Gibb et al. A fully lagrangian dynamical core for the Met office NERC cloud model
Gissler et al. Time‐critical collision handling for deformable modeling
Li et al. A Pedestrian Trajectory Prediction Model Based on Generative Adversarial Mimicry Learning
KR20240092622A (ko) 차량의 주행 데이터 증식 방법 및 그를 위한 장치

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