CN111554355A - 一种基于非冯诺依曼架构的分子动力学计算方法 - Google Patents

一种基于非冯诺依曼架构的分子动力学计算方法 Download PDF

Info

Publication number
CN111554355A
CN111554355A CN202010375103.1A CN202010375103A CN111554355A CN 111554355 A CN111554355 A CN 111554355A CN 202010375103 A CN202010375103 A CN 202010375103A CN 111554355 A CN111554355 A CN 111554355A
Authority
CN
China
Prior art keywords
atom
molecular dynamics
atoms
reference atom
force
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.)
Granted
Application number
CN202010375103.1A
Other languages
English (en)
Other versions
CN111554355B (zh
Inventor
刘杰
周骞
周晓凡
莫平辉
叶雅琴
史余辉
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202010375103.1A priority Critical patent/CN111554355B/zh
Publication of CN111554355A publication Critical patent/CN111554355A/zh
Application granted granted Critical
Publication of CN111554355B publication Critical patent/CN111554355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于人工智能领域，公开了一种基于非冯诺依曼架构的分子动力学计算方法。本发明首先选定一个原子作为参考原子，并根据其初始位置构建局部坐标环境；将参考原子截断半径内每个原子的全局坐标转换为局部坐标环境下的局部坐标并求得其输入特征，作为参考原子的所有特征参数；将所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；并行求得所有原子的受力后，根据每个原子的初始位置，速度以及受力，求得所有原子新的位置；重复执行上述步骤，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。本发明在确保高精度计算分子动力学的基础上，对计算效率有极大的提升，具有高精度、高效率的特点。

Description

一种基于非冯诺依曼架构的分子动力学计算方法
技术领域
本发明涉及加速分子动力学计算的方法，通过神经网络拟合原子间受力以及非冯诺依曼计算架构，在确保高精度计算的基础上，实现分子动力学计算效率的极大提升，属于人工智能领域。
背景技术
传统的分子动力学计算都是基于密度泛函理论，并借助计算机软件仿真完成，虽然能够保证运算精度，但其高额的计算成本限制了它在成百上千个原子和时间尺度为100ps的系统中的应用。近年来，机器学习方法，尤其是深度学习被认为是利用密度泛函理论数据建立分子体系势能面模型的工具，并实现了显著的效率提升。但是目前大多数计算架构都采用传统的冯诺依曼架构，也就是将处理器与内存分开设计，导致大量的数据传输严重限制系统的整体效率，不适用于高维物质的分子动力学计算。针对这个问题，模仿人脑结构设计的存算一体化架构以实现分布式和并发式传递数据，相当于超大规模的并行计算。实现基于该架构的分子动力学计算系统，对于物理，生化和医疗界的人工智能意义重大。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供了一种基于非冯诺依曼架构的分子动力学计算方法，通过神经网络加速分子动力学计算，从而完成精准的分子动力学仿真。
本发明所采用的技术方案是：
一种基于非冯诺依曼架构的分子动力学计算方法，包括以下步骤：
1)对于一多原子的体系，选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；
2)将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；
3)根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；
4)将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；
5)按照步骤1-4得到体系中所有原子的受力，并根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；
6)重复执行步骤1-5，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。
作为本发明的进一步改进，所述步骤1)中，对于一多原子的体系，选定参考原子的局部坐标环境表示为
Figure BDA0002477871490000011
其中
Figure BDA0002477871490000012
ez＝ex×ey，dr12＝r2-(r2·ex)·ex是由施密特正交计算得来，r1和r2分别代表在参考原子截断半径内由参考原子指向第一和第二相邻的两个原子的向量，|r1|和|dr12|分别表示向量r1和向量dr12的模长。
作为本发明的进一步改进，所述步骤2)中，将参考原子截断半径内每个原子在参考原子局部坐标环境A下的局部坐标表示为
Figure BDA0002477871490000021
其中
Figure BDA0002477871490000022
是参考原子截断半径内某个原子Ri的全局坐标，(xi，yi，zi)是该原子Ri转换过后的局部坐标。
作为本发明的进一步改进，所述步骤3)中，将参考原子截断半径内某个原子Ri的输入特征表示为
Figure BDA0002477871490000023
其中xi，yi和zi分别代表原子Ri局部坐标三个方向上的值，
Figure BDA0002477871490000024
代表该原子所在向量的平方和。
作为本发明的进一步改进，所述步骤3)中，参考原子所有特征参数的确定方法是将参考原子截断半径内所有原子按照与参考原子的相对距离排序，并按照步骤1-3所述求得参考原子截断半径内所有原子的输入特征，作为该参考原子的所有特征参数。
作为本发明的进一步改进，所述步骤4)中，全连接多层感知机神经网络是包括多输入层节点、多输出层节点的全连接网络，并且该网络的输入层节点值为参考原子的所有特征参数，输出层节点值为该参考原子所受三个方向的力。
作为本发明的进一步改进，所述步骤4)中，全连接多层感知机神经网络的隐藏层使用双曲正切函数作为激活函数，该函数的处理方式是利用坐标旋转计算的方式进行，输出层使用线性函数作为激活函数。
作为本发明的进一步改进，所述步骤5)中，体系中所有原子受力的确定方法是将每个原子都并行作为参考原子设计并行单元，每个并行单元都按照步骤1-4所述求得对应的原子受力，作为所有原子的受力。
作为本发明的进一步改进，所述步骤5)中，将体系中某个原子新的位置表示为x1＝x0+v1*dt，其中x1表示该原子新的绝对位置，x0表示该原子原来的绝对位置，dt表示体系的运行时间，
Figure BDA0002477871490000025
表示该原子新的运动速度，v0表示该原子的初速度，f表示该原子所受的力，m表示该原子的质量，所有的原子都按照所述公式计算后即可得到该体系中所有原子新的位置。
作为本发明的进一步改进，所述步骤6)中，记录每一次计算的位置结果，并将该次位置结果作为下一次计算的初始值，重复执行步骤1-5，最终整合得到分子动力学计算的结果。
与现有技术相比，本发明所具有的有益效果为：
本发明提供了一种基于非冯诺依曼架构的分子动力学计算方法，针对传统的密度泛函理论计算分子动力学复杂度高的问题，通过构造神经网络拟合原子间受力，在保证运算精度的基础上，利用非冯诺依曼架构实现高效分子动力学计算。与传统的方法相比，本方法具有高精度、高效率的特点。
附图说明
图1是本发明实施的总体流程图；
图2是本发明提出的基于非冯诺依曼架构的分子动力学计算系统架构图；
图3是全连接多层感知机神经网络框架图；
图4是通过本发明进行苯环分子的100次分子动力学计算后，键长和键角的动态变化对比结果图；
图5是通过本发明进行水分子的100次分子动力学计算后，标准振动模式分析的对比结果图；
图6是在相同原子数的系统环境下，利用传统密度泛函理论进行分子动力学计算、利用神经网络在CPU上进行分子动力学计算、以及本发明的计算耗时对比结果图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步详细说明。
参照附图1，本发明提出的一种基于非冯诺依曼架构的分子动力学计算方法，该方法首先在一多原子的体系中选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；然后将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；并行求得体系中所有原子的受力后，根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；重复执行上述步骤，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。附图2是本发明提出的基于非冯诺依曼架构的分子动力学计算系统架构图。首先，控制模块将体系中所有原子的全局坐标x0输入特征求取模块，并将对应的初速度v0输入积分模块；接着，通过参考原子的邻域建立局部坐标环境，在该环境下将截断半径内所有原子的全局坐标转换为局部坐标，并计算参考原子的所有输入特征x′0；参考原子的所有输入特征经过MLP拟合后，得到该原子的受力f；最后经过积分模块，求得新的原子坐标x1，再次输入控制模块，作为下一次计算的初始值，以此循环。
本发明的优选实施步骤如下所述：
1.对于一多原子的体系，选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；
对于一多原子的体系，选定参考原子的局部坐标环境表示为
Figure BDA0002477871490000031
其中
Figure BDA0002477871490000032
Figure BDA0002477871490000033
ez＝ex×ey，dr12＝r2-(r2·ex)·ex是由施密特正交计算得来，r1和r2分别代表在参考原子截断半径内由参考原子指向第一和第二相邻的两个原子的向量，|r1|和|dr12|分别表示向量r1和向量dr12的模长。
2.将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；
将参考原子截断半径内每个原子在参考原子局部坐标环境A下的局部坐标表示为
Figure BDA0002477871490000034
其中
Figure BDA0002477871490000035
是参考原子截断半径内某个原子Ri的全局坐标，xi，yi，zi)是该原子Ri转换过后的局部坐标。
3.根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；
将参考原子截断半径内某个原子Ri的输入特征表示为
Figure BDA0002477871490000041
其中xi，yi和zi分别代表原子Ri局部坐标三个方向上的值，
Figure BDA0002477871490000042
代表该原子所在向量的平方和。
参考原子所有特征参数的确定方法是将参考原子截断半径内所有原子按照与参考原子的相对距离排序，并按照步骤1-3所述求得参考原子截断半径内所有原子的输入特征，作为该参考原子的所有特征参数。
4.将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；
如图3所示，全连接多层感知机神经网络是包括多输入层节点、多输出层节点的全连接网络，并且该网络的输入层节点值为参考原子的所有特征参数，输出层节点值为该参考原子所受三个方向的力。
全连接多层感知机神经网络的隐藏层使用双曲正切函数作为激活函数，该函数的处理方式是利用坐标旋转计算的方式进行，输出层使用线性函数作为激活函数。
5.按照步骤1-4得到体系中所有原子的受力，并根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；
体系中所有原子受力的确定方法是将每个原子都并行作为参考原子设计并行单元，每个并行单元都按照步骤1-4所述求得对应的原子受力，作为所有原子的受力。
将体系中某个原子新的位置表示为x1＝x0+v1*dt，其中x1表示该原子新的绝对位置，x0表示该原子原来的绝对位置，dt表示体系的运行时间，
Figure BDA0002477871490000043
表示该原子新的运动速度，v0表示该原子的初速度，f表示该原子所受的力，m表示该原子的质量，所有的原子都按照所述公式计算后即可得到该体系中所有原子新的位置。
6.重复执行步骤1-5，并记录每一次的位置结果，最终整合得到分子动力学计算的结果；
记录每一次计算的位置结果，并将该次位置结果作为下一次计算的初始值，重复执行步骤1-5，最终整合得到分子动力学计算的结果。
图4是通过本发明进行苯环分子的100次分子动力学计算后，键长和键角的动态变化对比结果图，其中黑色曲线是本发明在FPGA内的计算结果，白色曲线是CPU的计算结果，可见本发明的计算结果与CPU基本拟合；图5是通过本发明进行水分子的100次分子动力学计算后，标准振动模式分析的对比结果图，黑色曲线是本发明在FPGA内的计算结果，白色曲线是CPU的计算结果，由此可以看出，本发明能够达到高精度计算分子动力学的目的；图6是在相同原子数的系统环境下，利用传统密度泛函理论进行分子动力学计算、利用神经网络在CPU上进行分子动力学计算、以及本发明的耗时对比结果图，可见本发明能够比利用神经网络在CPU上进行分子动力学计算加快2个数量级，并且能够比利用传统密度泛函理论进行分子动力学计算加快6个数量级，由此可以看出本发明的高计算效率的特点。
上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (10)

1.一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，包含以下步骤：
步骤1，对于一多原子的体系，选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；
步骤2，将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；
步骤3，根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；
步骤4，将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；
步骤5，按照步骤1-4得到体系中所有原子的受力，并根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；
步骤6，重复执行步骤1-5，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。
2.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤1中，对于一多原子的体系，选定参考原子的局部坐标环境表示为A＝[ex ey ez]，其中
Figure FDA0002477871480000011
ez＝ex×ey，dr12＝r2-(r2·ex)·ex是由施密特正交计算得来，r1和r2分别代表在参考原子截断半径内由参考原子指向第一和第二相邻的两个原子的向量，|r1|和|dr12|分别表示向量r1和向量dr12的模长。
3.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤2中，将参考原子截断半径内每个原子在参考原子局部坐标环境A下的局部坐标表示为
Figure FDA0002477871480000012
其中
Figure FDA0002477871480000013
是参考原子截断半径内某个原子Ri的全局坐标，xi，yi，zi)是该原子Ri转换过后的局部坐标。
4.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤3中，将参考原子截断半径内某个原子Ri的输入特征表示为
Figure FDA0002477871480000014
其中xi，yi和zi分别代表原子Ri局部坐标三个方向上的值，
Figure FDA0002477871480000015
代表该原子所在向量的平方和。
5.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤3中，参考原子所有特征参数的确定方法是将参考原子截断半径内所有原子按照与参考原子的相对距离排序，并按照步骤1-3所述求得参考原子截断半径内所有原子的输入特征，作为该参考原子的所有特征参数。
6.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤4中，全连接多层感知机神经网络是包括多输入层节点、多输出层节点的全连接网络，并且该网络的输入层节点值为参考原子的所有特征参数，输出层节点值为该参考原子所受三个方向的力。
7.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤4中，全连接多层感知机神经网络的隐藏层使用双曲正切函数作为激活函数，该函数的处理方式是利用坐标旋转计算的方式进行，输出层使用线性函数作为激活函数。
8.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤5中，体系中所有原子受力的确定方法是将每个原子都并行作为参考原子设计并行单元，每个并行单元都按照步骤1-4所述求得对应的原子受力，作为所有原子的受力。
9.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤5中，将体系中某个原子新的位置表示为x1＝x0+v1*dt，其中x1表示该原子新的绝对位置，x0表示该原子原来的绝对位置，dt表示体系的运行时间，
Figure FDA0002477871480000021
表示该原子新的运动速度，v0表示该原子的初速度，f表示该原子所受的力，m表示该原子的质量，所有的原子都按照所述公式计算后即可得到该体系中所有原子新的位置。
10.如权利要求1所述的一种基于非冯诺依曼架构的分子动力学计算方法，其特征在于，所述步骤6中，记录每一次计算的位置结果，并将该次位置结果作为下一次计算的初始值，重复执行步骤1-5，最终整合得到分子动力学计算的结果。
CN202010375103.1A 2020-05-05 2020-05-05 一种基于非冯诺依曼架构的分子动力学计算方法 Active CN111554355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010375103.1A CN111554355B (zh) 2020-05-05 2020-05-05 一种基于非冯诺依曼架构的分子动力学计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010375103.1A CN111554355B (zh) 2020-05-05 2020-05-05 一种基于非冯诺依曼架构的分子动力学计算方法

Publications (2)

Publication Number Publication Date
CN111554355A true CN111554355A (zh) 2020-08-18
CN111554355B CN111554355B (zh) 2023-04-25

Family

ID=72000635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010375103.1A Active CN111554355B (zh) 2020-05-05 2020-05-05 一种基于非冯诺依曼架构的分子动力学计算方法

Country Status (1)

Country Link
CN (1) CN111554355B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611412A (zh) * 2022-04-25 2022-06-10 湖南大学 一种基于神经网络的分子动力学计算芯片设计方法及系统
WO2023108622A1 (zh) * 2021-12-17 2023-06-22 深圳晶泰科技有限公司 获得电荷参数的方法、分子力学模拟结果的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052755A1 (en) * 2001-03-23 2014-02-20 International Business Machines Corporation Field-based similarity search system and method
CN104715096A (zh) * 2013-12-12 2015-06-17 中国科学院大连化学物理研究所 Bp神经网络预测二肽模型多极展开属性计算方法
CN108804869A (zh) * 2018-05-04 2018-11-13 深圳晶泰科技有限公司 基于神经网络的分子结构和化学反应能量函数构建方法
CN108959852A (zh) * 2017-05-24 2018-12-07 北京工业大学 基于氨基酸-核苷酸成对偏好性信息的蛋白质上与rna结合模块的预测方法
CN109299580A (zh) * 2018-11-23 2019-02-01 兰州理工大学 一种基底支撑刚度梯度变化对摩擦力影响的研究方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052755A1 (en) * 2001-03-23 2014-02-20 International Business Machines Corporation Field-based similarity search system and method
CN104715096A (zh) * 2013-12-12 2015-06-17 中国科学院大连化学物理研究所 Bp神经网络预测二肽模型多极展开属性计算方法
CN108959852A (zh) * 2017-05-24 2018-12-07 北京工业大学 基于氨基酸-核苷酸成对偏好性信息的蛋白质上与rna结合模块的预测方法
CN108804869A (zh) * 2018-05-04 2018-11-13 深圳晶泰科技有限公司 基于神经网络的分子结构和化学反应能量函数构建方法
CN109299580A (zh) * 2018-11-23 2019-02-01 兰州理工大学 一种基底支撑刚度梯度变化对摩擦力影响的研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICHAEL GASTEGGER.ET.: "Molecular Dynamics with Neural-Network Potentials" *
周云光: "镍基单晶高温合金微磨削工艺理论与关键技术研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108622A1 (zh) * 2021-12-17 2023-06-22 深圳晶泰科技有限公司 获得电荷参数的方法、分子力学模拟结果的方法及装置
CN114611412A (zh) * 2022-04-25 2022-06-10 湖南大学 一种基于神经网络的分子动力学计算芯片设计方法及系统
CN114611412B (zh) * 2022-04-25 2024-07-16 湖南大学 一种基于神经网络的分子动力学计算芯片设计方法及系统

Also Published As

Publication number Publication date
CN111554355B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
Finzi et al. A practical method for constructing equivariant multilayer perceptrons for arbitrary matrix groups
Deng et al. Tianjic: A unified and scalable chip bridging spike-based and continuous neural computation
CN112308961B (zh) 基于分层高斯混合模型的机器人快速鲁棒三维重建方法
Leimkuhler et al. Simulating hamiltonian dynamics
Xu et al. Accelerating dynamic time warping with memristor-based customized fabrics
Poduval et al. Stochd: Stochastic hyperdimensional system for efficient and robust learning from raw data
CN111554355A (zh) 一种基于非冯诺依曼架构的分子动力学计算方法
CN113077501A (zh) 一种基于特征学习的端到端点云配准方法
Li et al. An efficient hardware architecture for activation function in deep learning processor
Ni et al. Algorithm-hardware co-design for efficient brain-inspired hyperdimensional learning on edge
CN115879335A (zh) 一种基于图生成神经网络的流体多物理场参数预测方法
CN118861318A (zh) 一种基于异构关系图注意力的知识图谱补全方法
Yang et al. Learning to simulate unseen physical systems with graph neural networks
Chen et al. Developing an advanced neural network and physics solver coupled framework for accelerating flow field simulations
CN114388076B (zh) 基于深度学习的物体宏观物理属性预测方法及系统
Ranade et al. DoMINO: A Decomposable Multi-scale Iterative Neural Operator for Modeling Large Scale Engineering Simulations
CN118349776B (zh) 基于存算一体的快速傅里叶变换装置及方法
CN117854643B (zh) 一种基于图形神经网络的mems膜仿真方法及系统
Ripepi Model order reduction for computational aeroelasticity
Selvan On the effect of shape parameterization on aerofoil shape optimization
CN118260970A (zh) 一种基于深度学习可重编程刚度变形界面的形状控制方法
Siegl et al. Solving transport equations on quantum computers—potential and limitations of physics-informed quantum circuits
CN116205158A (zh) 一种基于元学习的流动非线性降阶建模与预示方法
CN115407680A (zh) 一种并行化的高精度时域气动弹性控制耦合仿真方法
Long et al. Improving extreme learning machine by a level-based learning swarm optimizer and its application to fault diagnosis of 3d printers

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