CN112002380B - 基于机器学习的高生成热含能材料的自适应设计方法 - Google Patents
基于机器学习的高生成热含能材料的自适应设计方法 Download PDFInfo
- Publication number
- CN112002380B CN112002380B CN202010820598.4A CN202010820598A CN112002380B CN 112002380 B CN112002380 B CN 112002380B CN 202010820598 A CN202010820598 A CN 202010820598A CN 112002380 B CN112002380 B CN 112002380B
- Authority
- CN
- China
- Prior art keywords
- compounds
- heat
- energetic
- energetic material
- machine learning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明公开了基于机器学习的高生成热含能材料的自适应设计方法,包括以下步骤:构建含能材料搜索空间,获得具有已知特征描述符和量化计算生成热的初始数据集;使用初始数据对模型(回归器)进行训练,学习含能化合物特征描述符‑生成热属性关系;将训练后的模型应用于未知搜索空间,以预测未知化合物的生成热以及获得它们相关的不确定;使用选择器全局优化搜索,为量化计算提供下一个最佳候选物;理论计算验证候选物生成热;通过构建含能材料搜索空间,通过测试不同的描述符、回归器、选择器的组合效果,选择和构建出以E‑state+SOB描述符、SVR.lin回归模型和Trade‑off选择器为基础的自适应设计模型,构建了一个能够快速搜索高生成热含能材料的自适应设计模型。
Description
技术领域
本发明涉及含能材料技术领域,具体为基于机器学习的高生成热含能材料的自适应设计方法。
背景技术
含能材料在军事和民用领域中有着重要作用,随着世界格局的变化,传统炸药已不能满足现代工业发展要求,高能量密度材料成为发展方向,其中理论计算是辅助其研发的有效手段。生成热与含能材料爆轰性能密切相关,虽然量子化学可以对化合物生成热准确计算,但是不同含能骨架与不同取代基组合会构建出巨大的搜索空间,对所有潜在化合物都进行量化计算成本耗费过高。机器学习可以构建结构-性能推理模型,能快速预测未知材料目标属性,近年来在各个领域得到广泛关注。但机器学习通常需要大量数据才能构建稳健的学习模型,而含能材料因其特殊性使得带有已知目标属性标签的数据集较小,此时构建的模型具有较大不确定性,因此,开发基于小样本含能材料的推理模型是机器学习在此领域应用的一个关键。
基于此,本发明设计了基于机器学习的高生成热含能材料的自适应设计方法,以解决上述提到的问题。
发明内容
本发明的目的在于提供基于机器学习的高生成热含能材料的自适应设计方法,通过构建含能材料搜索空间,通过测试不同的描述符、回归器、选择器的组合效果,选择和构建出以E-state+SOB描述符、SVR.lin回归模型和Trade-off选择器为基础的自适应设计模型,构建了一个能够快速搜索高生成热含能材料的自适应设计模型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于机器学习的高生成热含能材料的自适应设计方法,包括以下步骤:
S1,构建含能材料搜索空间,获得具有已知特征描述符和量化计算生成热的初始数据集;
S2,使用初始数据对模型(回归器)进行训练,学习含能化合物特征描述符-生成热属性关系;
S3,将训练后的模型应用于未知搜索空间,以预测未知化合物的生成热以及获得它们相关的不确定;
S4,使用选择器全局优化搜索,为量化计算提供下一个最佳候选物;
S5,理论计算验证候选物生成热;
S6,将新的化合物添加到初始数据集,进行新一轮设计,迭代循环找到具有高生成热化合物。
优选的,含能材料搜索空间为88个含能母环与14个取代基之间的单取代和二取代的所有组合可能,结构检查与去除重复,获得97566个化合物,其中单取代化合物3416个,二取代化合物94150个。
优选的,初始数据收集:从97566个化合物中选取了88个代表性化合物,按照单取代和二取代化合物数量比,选取了单取代化合物3个,二取代化合物85个,并确保了每个含能母环选取1次以及每个取代基选取12~13次,以确保初始样本集的代表性,由此构建了88个化合物的初始数据集;通过RDKit工具利用化合物的SMILES字符串获得化合物3D结构,使用Materials Studio软件的Conformers Tool对每个化合物进行构象搜索获得能量最小构象,然后将搜索的最低能量构象在Gaussion 09CBS-4M水平下进行优化和频率计算,确认其无虚频。
优选的,特征描述符:统计了97566样本的键类型,利用分子指纹将分子图转换为整数向量,采用2048位扩展连接指纹,对图的子结构信息进行编码,通过二进制方式来表示存在或不存在的唯一组分,其长度由用户控制;E-state指纹长度较短,适合用于化合物数据量较少时的特征描述符,在计算97566个含能化合物的E-state描述符发现只存在13种原子类型(C,N,H,O的类型),因此将E-state描述符截短到只有13个长度(即删除掉是零的原子类型),设计一个将SOB描述符与E-state描述符组合在一起的特征描述符(E-state+SOB),综合化学键信息与电子拓扑状态信息,SOB描述符为首先枚举数据集中的所有键类型,然后计算每个分子中每个键的数量,每个分子描述符包含每种类型的键出现的次数的整数。
优选的,模型选择回归器模型:选用6种机器学习回归模型,包括最小二乘法的线性回归模型(Lin)、径向基核的支持向量回归模型(SVR.rbf)、线性核的支持向量回归模型(SVR.lin)、Lasso回归模型、核岭回归模型(KRR)和高斯过程回归模型(GPR);将E-state、SOB和E-state+SOB这3种描述符与6个回归模型进行组合得到18个学习模型,每个模型的初始数据集是前面所构建的88个化合物,每一个学习模型都使用ShuffleSplit方法(将样本集合随机“打散”后划分训练集和测试集)对样本进行20次训练集和测试集划分(数据集的80%用于训练集,20%用于测试集),内置5倍交叉验证用于网格寻参,进行超参数优化,平均绝对误差(MAE)、均方根误差(RMSE)和R2值被用作机器学习模型性能评估指标,模型的构建通过Python Scikit-learn(Sklearn)实现。
优选的,选择器:使用了5个不同选择标准(即5个选择器)结合预测结果与不确定性去选择候选化合物,以优化候选物的决策过程,5个选择器包括:Random(随机)、Exploitation(利用)、Exploration(探索)、Trade-off between exploitation andexploration(“利用”和“探索”之间的权衡,Trade-off)和Knowledge Gradient algorithm(知识梯度算法,KG);
Random(随机):从未知搜索空间中随机选择候选物;
Exploitation(利用):从未知搜索空间中选择具有最大预测值(机器学习模型预测)的候选物;
Exploration(探索):选择模型预测中具有最大方差(σ2)(即最大不确定性)的化合物,因为初始数据集只有88个化合物,所以本论文使用“bootstrap”采样1000次的方法来计算每个未知化合物的生成热的平均值(μ)、标准偏差(σ)以及方差(不确定性),每个化合物方差计算公式如下:
其中,yi是每次“bootstrap”取样的回归预测值,μ是“bootstrap”取样预测1000次后的均值;
Trade-off,平衡“Exploitation”和“Exploration”,使得““expectedimprovement”,期望提高,E(I)最大化,使用均值和方差计算E(I),公式如下:
“Trade-off”会搜索整个区域,并将重点放在具有明显全局最优的区域上,E(I)可以通过捕获“exploitation”和“exploration”两者极端事件之间的相对竞争,结合预测结果与不确定性,提供定量估计以评估在下一次试验时应执行的位置;
Knowledge Gradient algorithm(知识梯度算法,KG):它和“Trade-off betweenexploitation and exploration”相似,其公式中μ×是现有训练集和未知搜索空间所包括数据的最大生成热值。
优选的,计算候选物生成热:选择原子化能方法(Atomization Energies Method,即将分子分解为原子,利用已知的孤立原子来求解生成热),计算含能化合物在298K下的标准气相生成热,利用生成热计算公式计算出88个化合物的气相生成热,作为它们的标签(y值),
与现有技术相比,本发明的有益效果是:本发明通过构建含能材料搜索空间,通过测试不同的描述符、回归器、选择器的组合效果,选择和构建出以E-state+SOB描述符、SVR.lin回归模型和Trade-off选择器为基础的自适应设计模型,构建了一个能够快速搜索高生成热含能材料的自适应设计模型,能基于小样本数据通过少量的试验次数在大的含能材料搜索空间快速找到高生成热含能化合物,加快了设计效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明设计流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供基于机器学习的高生成热含能材料的自适应设计方法技术方案:包括以下步骤:
S1,构建含能材料搜索空间,获得具有已知特征描述符和量化计算生成热的初始数据集;
S2,使用初始数据对模型(回归器)进行训练,学习含能化合物特征描述符-生成热属性关系;
S3,将训练后的模型应用于未知搜索空间,以预测未知化合物的生成热以及获得它们相关的不确定;
S4,使用选择器全局优化搜索,为量化计算提供下一个最佳候选物;
S5,理论计算验证候选物生成热;
S6,将新的化合物添加到初始数据集,进行新一轮设计,迭代循环找到具有高生成热化合物。
其中,含能材料搜索空间为88个含能母环与14个取代基之间的单取代和二取代的所有组合可能,结构检查与去除重复,获得97566个化合物,其中单取代化合物3416个,二取代化合物94150个。
其中,初始数据收集:从97566个化合物中选取了88个代表性化合物,按照单取代和二取代化合物数量比,选取了单取代化合物3个,二取代化合物85个,并确保了每个含能母环选取1次以及每个取代基选取12~13次,以确保初始样本集的代表性,由此构建了88个化合物的初始数据集;通过RDKit工具利用化合物的SMILES字符串获得化合物3D结构,使用Materials Studio软件的Conformers Tool对每个化合物进行构象搜索获得能量最小构象,然后将搜索的最低能量构象在Gaussion 09CBS-4M水平下进行优化和频率计算,确认其无虚频。
其中,特征描述符:统计了97566样本的键类型,利用分子指纹将分子图转换为整数向量,采用2048位扩展连接指纹,对图的子结构信息进行编码,通过二进制方式来表示存在或不存在的唯一组分,其长度由用户控制;E-state指纹长度较短,适合用于化合物数据量较少时的特征描述符,在计算97566个含能化合物的E-state描述符发现只存在13种原子类型(C,N,H,O的类型),因此将E-state描述符截短到只有13个长度(即删除掉是零的原子类型);设计一个将SOB描述符与E-state描述符组合在一起的特征描述符(E-state+SOB),综合化学键信息与电子拓扑状态信息,SOB描述符为首先枚举数据集中的所有键类型,然后计算每个分子中每个键的数量,每个分子描述符包含每种类型的键出现的次数的整数。
其中,回归器:选用6种机器学习回归模型,包括最小二乘法的线性回归模型(Lin)、径向基核的支持向量回归模型(SVR.rbf)、线性核的支持向量回归模型(SVR.lin)、Lasso回归模型、核岭回归模型(KRR)和高斯过程回归模型(GPR);将E-state、SOB和E-state+SOB这3种描述符与6个回归模型进行组合得到18个学习模型,每个模型的初始数据集是前面所构建的88个化合物,每一个学习模型都使用ShuffleSplit方法(将样本集合随机“打散”后划分训练集和测试集)对样本进行20次训练集和测试集划分(数据集的80%用于训练集,20%用于测试集),内置5倍交叉验证用于网格寻参,进行超参数优化,平均绝对误差(MAE)、均方根误差(RMSE)和R2值被用作机器学习模型性能评估指标,模型的构建通过Python Scikit-learn(Sklearn)实现。
其中,选择器:使用了5个不同选择标准(即5个选择器)结合预测结果与不确定性去选择候选化合物,以优化候选物的决策过程,5个选择器包括:Random(随机)、Exploitation(利用)、Exploration(探索)、Trade-offbetween exploitation andexploration(“利用”和“探索”之间的权衡,Trade-off)和Knowledge Gradient algorithm(知识梯度算法,KG);
Random(随机):从未知搜索空间中随机选择候选物;
Exploitation(利用):从未知搜索空间中选择具有最大预测值(机器学习模型预测)的候选物;
Exploration(探索):选择模型预测中具有最大方差(σ2)(即最大不确定性)的化合物,因为初始数据集只有88个化合物,所以本论文使用“bootstrap”采样1000次的方法来计算每个未知化合物的生成热的平均值(μ)、标准偏差(σ)以及方差(不确定性),每个化合物方差计算公式如下:
其中,yi是每次“bootstrap”取样的回归预测值,μ是“bootstrap”取样预测1000次后的均值;
Trade-off,平衡“Exploitation”和“Exploration”,使得““expectedimprovement”,期望提高,E(I)最大化,使用均值和方差计算E(I),公式如下:
“Trade-off”会搜索整个区域,并将重点放在具有明显全局最优的区域上,E(I)可以通过捕获“exploitation”和“exploration”两者极端事件之间的相对竞争,结合预测结果与不确定性,提供定量估计以评估在下一次试验时应执行的位置;
Knowledge Gradient algorithm(知识梯度算法,KG):它和“Trade-off betweenexploitation and exploration”相似,其公式中μ×是现有训练集和未知搜索空间所包括数据的最大生成热值。
其中,计算候选物生成热:选择原子化能方法(Atomization Energies Method,即将分子分解为原子,利用已知的孤立原子来求解生成热),计算含能化合物在298K下的标准气相生成热,利用生成热计算公式计算出88个化合物的气相生成热,作为它们的标签(y值),
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:包括以下步骤:
S1,构建含能材料搜索空间,获得具有已知特征描述符和量化计算生成热的初始数据集;
S2,使用初始数据对模型进行训练,学习含能化合物特征描述符-生成热属性关系;
S3,将训练后的模型应用于未知搜索空间,以预测未知化合物的生成热以及获得它们相关的方差;
S4,使用选择器全局优化搜索,为量化计算提供下一个最佳候选物;
S5,理论计算验证候选物生成热;
S6,将新的化合物添加到初始数据集,进行新一轮设计,迭代循环找到具有高生成热化合物。
2.根据权利要求1所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:含能材料搜索空间为88个含能母环与14个取代基之间的单取代和二取代的所有组合可能,结构检查与去除重复,获得97566个化合物,其中单取代化合物3416个,二取代化合物94150个。
3.根据权利要求2所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:初始数据收集:从97566个化合物中选取了88个代表性化合物,按照单取代和二取代化合物数量比,选取了单取代化合物3个,二取代化合物85个,并确保了每个含能母环选取1次以及每个取代基选取12~13次,以确保初始样本集的代表性,由此构建了88个化合物的初始数据集。
4.根据权利要求3所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:特征描述符:统计了97566样本的键类型,利用分子指纹将分子图转换为整数向量,采用2048位扩展连接指纹,对图的子结构信息进行编码,通过二进制方式来表示存在或不存在的唯一组分,其长度由用户控制;E-state指纹长度较短,适合用于化合物数据量较少时的特征描述符,在计算97566个含能化合物的E-state描述符发现只存在13种原子类型,因此将E-state描述符截短到只有13个长度;设计一个将SOB描述符与E-state描述符组合在一起的特征描述符:E-state+SOB,综合化学键信息与电子拓扑状态信息,SOB描述符为首先枚举数据集中的所有键类型,然后计算每个分子中每个键的数量,每个分子描述符包含每种类型的键出现的次数的整数。
5.根据权利要求4所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:模型选择回归器模型:其选用6种机器学习回归模型,包括最小二乘法的线性回归模型、径向基核的支持向量回归模型、线性核的支持向量回归模型、Lasso回归模型、核岭回归模型和高斯过程回归模型,将E-state、SOB和E-state+SOB这3种描述符与6个回归模型进行组合得到18个学习模型。
6.根据权利要求5所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:选择器:使用了5个不同选择标准,结合预测结果与不确定性去选择候选化合物,以优化候选物的决策过程,5个选择器包括:Random、Exploitation、Exploration、Trade-offbetween exploitation and exploration和Knowledge Gradient algorithm。
7.根据权利要求6所述的基于机器学习的高生成热含能材料的自适应设计方法,其特征在于:计算候选物生成热:选择原子化能方法,计算含能化合物在298K下的标准气相生成热,利用生成热计算公式计算出88个化合物的气相生成热,作为它们的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820598.4A CN112002380B (zh) | 2020-08-14 | 2020-08-14 | 基于机器学习的高生成热含能材料的自适应设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820598.4A CN112002380B (zh) | 2020-08-14 | 2020-08-14 | 基于机器学习的高生成热含能材料的自适应设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112002380A CN112002380A (zh) | 2020-11-27 |
CN112002380B true CN112002380B (zh) | 2023-05-05 |
Family
ID=73473192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820598.4A Active CN112002380B (zh) | 2020-08-14 | 2020-08-14 | 基于机器学习的高生成热含能材料的自适应设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112002380B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980972A (zh) * | 2012-11-06 | 2013-03-20 | 南京工业大学 | 一种确定自反应性化学物质热危险性的方法 |
EP3432234A1 (de) * | 2017-07-21 | 2019-01-23 | Hochschule Für Angewandte Wissenschaften - Fachhochschule Kempten | Optimierung eines querverbundsystems mittels neuronaler netzwerke |
CN109411029A (zh) * | 2018-10-10 | 2019-03-01 | 西安近代化学研究所 | 一种含能化合物性能预估系统 |
WO2019236940A2 (en) * | 2018-06-08 | 2019-12-12 | Covestro Llc | System, method, and computer program product for predicting properties of a polymer |
CN110728047A (zh) * | 2019-10-08 | 2020-01-24 | 中国工程物理研究院化工材料研究所 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6647342B2 (en) * | 2000-08-07 | 2003-11-11 | Novodynamics, Inc. | Knowledge-based process for the development of materials |
US20090056802A1 (en) * | 2007-02-16 | 2009-03-05 | Eli Michael Rabani | Practical method and means for mechanosynthesis and assembly of precise nanostructures and materials including diamond, programmable systems for performing same; devices and systems produced thereby, and applications thereof |
JP7455757B2 (ja) * | 2018-04-13 | 2024-03-26 | フリーノーム・ホールディングス・インコーポレイテッド | 生体試料の多検体アッセイのための機械学習実装 |
-
2020
- 2020-08-14 CN CN202010820598.4A patent/CN112002380B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980972A (zh) * | 2012-11-06 | 2013-03-20 | 南京工业大学 | 一种确定自反应性化学物质热危险性的方法 |
EP3432234A1 (de) * | 2017-07-21 | 2019-01-23 | Hochschule Für Angewandte Wissenschaften - Fachhochschule Kempten | Optimierung eines querverbundsystems mittels neuronaler netzwerke |
WO2019236940A2 (en) * | 2018-06-08 | 2019-12-12 | Covestro Llc | System, method, and computer program product for predicting properties of a polymer |
CN109411029A (zh) * | 2018-10-10 | 2019-03-01 | 西安近代化学研究所 | 一种含能化合物性能预估系统 |
CN110728047A (zh) * | 2019-10-08 | 2020-01-24 | 中国工程物理研究院化工材料研究所 | 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 |
Non-Patent Citations (5)
Title |
---|
A. Mannodi-Kanakkithodi,et.Machine learning defect properties in Cd-based chalcogenides.《2019 IEEE 46th Photovoltaic Specialists Conference (PVSC)》.2020,第791-794页. * |
Elton, D.C.et.Applying machine learning techniques to predict the properties of energetic materials.《Scientific Reports》.2018,第8卷第1-12页. * |
Yunhao Xie,et.A property-oriented adaptive design framework for rapid discovery of energetic molecules based on small-scale labeled datasets.《Royal Society of Chemistry》.2021,第11卷第25764-25776页. * |
王明良,等.用人工神经网络法预估高氮化合物的生成焓.《火炸药学报》.2011,第34卷(第01期),第9-14页. * |
葛忠学,等.含能材料分子设计与性能预估研究.《计算机与应用化学》.2007,(第12期),第1714-1716页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112002380A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction | |
Zeng et al. | ReacNetGenerator: an automatic reaction network generator for reactive molecular dynamics simulations | |
CN113327644B (zh) | 一种基于图与序列的深度嵌入学习的药物-靶标相互作用预测方法 | |
US11087861B2 (en) | Creation of new chemical compounds having desired properties using accumulated chemical data to construct a new chemical structure for synthesis | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
Ziatdinov et al. | Physics makes the difference: Bayesian optimization and active learning via augmented Gaussian process | |
JP2022554074A (ja) | 所望の有機分子に対して有機合成経路を設計するためのシステムおよび方法 | |
Ranjbar et al. | A combination of deep learning and genetic algorithm for predicting the compressive strength of high‐performance concrete | |
WO2021044846A1 (ja) | 材料特性予測装置および材料特性予測方法 | |
CN112002380B (zh) | 基于机器学习的高生成热含能材料的自适应设计方法 | |
KR100440949B1 (ko) | 특징 벡터 공간내에서의 적응적 검색 방법 | |
CN117198417A (zh) | 基于机器学习和目标优化的稳定晶体结构预测方法及系统 | |
Corriero et al. | CrystalMELA: a new crystallographic machine learning platform for crystal system determination | |
Meng et al. | Property prediction of molecules in graph convolutional neural network expansion | |
Liu et al. | A process-oriented spatiotemporal clustering method for complex trajectories of dynamic geographic phenomena | |
Pawar et al. | Optimizing bayesian acquisition functions in gaussian processes | |
Huang et al. | Using Chou's amphiphilic Pseudo-Amino Acid Composition and Extreme Learning Machine for prediction of Protein-protein interactions | |
CN115691699A (zh) | 适用于含能化合物数据挖掘的方法及系统 | |
Fathipour-Azar | Hybrid Data-Driven Polyaxial Rock Strength Meta Model | |
Kumar et al. | Applying Data Analytics & Machine Learning Methods for Recovery Factor Prediction and Uncertainty Modelling | |
Daw et al. | Physics-aware architecture of neural networks for uncertainty quantification: Application in lake temperature modeling | |
CN107220483B (zh) | 一种土体温度模式预测方法 | |
Zhang et al. | A Multi-perspective Model for Protein–Ligand-Binding Affinity Prediction | |
Li et al. | Deep regressor stacking to learn molecular quantum properties | |
Wang et al. | Drug-Target Interaction Prediction Based on Drug Subgraph Fingerprint Extraction Strategy and Subgraph Attention Mechanism |
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 |