CN114203264B - 基于深度学习的化学反应转化率预测方法、系统及介质 - Google Patents

基于深度学习的化学反应转化率预测方法、系统及介质 Download PDF

Info

Publication number
CN114203264B
CN114203264B CN202111444354.1A CN202111444354A CN114203264B CN 114203264 B CN114203264 B CN 114203264B CN 202111444354 A CN202111444354 A CN 202111444354A CN 114203264 B CN114203264 B CN 114203264B
Authority
CN
China
Prior art keywords
chemical reaction
reactant
reaction formula
information
conversion rate
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
CN202111444354.1A
Other languages
English (en)
Other versions
CN114203264A (zh
Inventor
陈俊龙
刘如意
孟献兵
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111444354.1A priority Critical patent/CN114203264B/zh
Publication of CN114203264A publication Critical patent/CN114203264A/zh
Application granted granted Critical
Publication of CN114203264B publication Critical patent/CN114203264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了基于深度学习的化学反应转化率预测方法、系统及介质，方法包括：从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A，并进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，接着通过注意力机制求反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，最后利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，预测化学反应转化率。本发明大大提高了化学反应转化率的预测精度。

Description

基于深度学习的化学反应转化率预测方法、系统及介质
技术领域
本发明涉及化学反应的技术领域，尤其涉及到基于深度学习的化学反应转化率预测方法、系统及介质。
背景技术
反应转化率是化学反应的实际反应产物与理论反应产物的比值，理想条件下，一个化学反应的转化率应为100％，但是在现实条件下，受到温度、浓度等条件的影响，大部分反应的转化率都达不到100％。
在化学反应流程设计中，通过几步甚至几十步反应生成所需产物的情况较为常见。反应流程中不论哪一步转化率过低，都会因为累加效应对整个反应流程造成致命影响。因此，设计转化率高的化学反应显得尤为重要。
近些年来，深度学习在各个领域都取得了不错的成效，许多人开始尝试使用深度学习的方法预测反应转化率，以此帮助整个化学反应流程的设计，但现有的化学反应转化率预测模型大多面向某种特定的反应类型，如[1]Ahneman D T,Estrada J G,Lin S,Dreher S D and Doyle A G 2018 Predicting reaction performance in C–Ncross-coupling using machine learning Science 360 186–90.和[2]Chuang K Vand KeiserM J 2018 Comment on“Predicting reaction performance in C–N cross-couplingusing machine learning”Science 362 6416.，这类模型通用性不强。最近，虽然基于自然语言处理技术的通用型转化率预测模型[3]Schwaller P,Vaucher A C,Laino T,etal.Prediction of chemical reaction yields using deep learning[J].MachineLearning:Science and Technology,2021,2(1):015016也被提出，但该方法直接将整个反应式作为模型的输入，并未充分考虑不同的反应物对反应式及转化率的影响，没有充分利用反应物信息。
发明内容
本发明的目的在于克服现有技术的不足，提供一种预测精度高的化学反应转化率预测方法。
为实现上述目的，本发明所提供的技术方案为：
化学反应转化率预测方法，包括以下步骤：
S1、从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
S2、进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
S3、结合特征Xr和Xa，通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
S4、利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，并预测化学反应转化率。
进一步地，所述步骤S1根据每种反应物类型下的不同分子数目，将不同分子数目最多的反应物类型作为对化学反应转化率影响最大的反应物类型。
如，若某一类化学反应式R定义为A+B->C，其中A＝{A1,A2,…,An}，B＝{B1,B2,…,Bm}，A类型的反应物中有n种不同的分子，B类型的反应物中有m中不同的分子。若n>m，则将A类型作为对化学反应转化率影响最大的反应物类型。
进一步地，所述步骤S2包括：
S2-1、将反应物类型A的反应物和化学反应对应的化学反应式R均转化为SMILES序列，得到Sr和Sa；
S2-2、利用RXNFP模型对反应物类型A的反应物和化学反应对应的化学反应式R的SMILES序列Sr和Sa进行分词及特征提取，得到 其中Nr为化学反应式R中分词节点的个数，Na为反应物类型A的反应物中分词节点的个数，db表示输出的特征维度，cls分词不表示任何语义，在于获取反应式或分子的整体特征。
进一步地，所述步骤S3使用多头点积缩放注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，过程包括：
注意力函数为:
其中，查询集Q＝{q1,q2,…,qn}，键集合K＝{k1,k2,…,km}，dk为ki的维度，i∈[1,m]；
在平行子空间中分别学习h个不同的注意力分数，并将该h个不同的注意力分数拼接起来：
MultiHead(K,Q,V)＝Concat(heak1,head2,…,headh)Wo
headi＝Attention(K,Q,V)
其中Wo为需要学习的参数，
为了更深入挖掘反应式信息和反应物信息，使用多头注意力机制和残差模块对反应物类型A的反应物、化学反应对应的化学反应式R以及该两者的关系进行自注意力计算：
其中Norm为标准化层，为可学习的注意力参数，维度均为/>该层输出Tr为化学反应对应的化学反应式R的深层表征信息，Ta为反应物类型A的反应物的深层表征信息，Tm为两者的关系信息。
进一步地，所述步骤S4包括：
S4-1、将反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm融合得到T：
T＝[Tr；Ta；Tm]
S4-2、将T通过特征层映射得到Zi：
其中和/>为随机参数，φ为激活函数，n为特征层的节点窗口数，每个窗口有k个节点；
S4-3、将得到的所有特征记为Zn＝[Z1,Z2,…,Zn]，且该些特征经过增强层得到增强特征Hm，其中第i个增强特征的计算方式为：
其中和/>是随机参数，ξ为激活函数；
S4-4、预测的转化率Y：
Y＝[Z1,Z2,…,Zn|H1,H2,…,Hm]Wm＝[Zn|Hm]Wm
其中Wm通过伪逆运算计算所得。
为实现上述目的，本发明另外提供一种化学反应转化率预测系统，该化学反应转化率预测系统用于实现上述化学反应转化率预测方法，其包括辅助反应物选择模块、特征提取模块、注意力模块、宽度学习模块；
其中，
所述辅助反应物选择模块，用于从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
所述特征提取模块，用于反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
所述注意力模块，用于通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
所述宽度学习模块，用于融合反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，并预测化学反应转化率。
为实现上述目的，本发明另外提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述化学反应转化率预测方法的步骤。
与现有技术相比，本技术方案的原理及优点如下：
本技术方案从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A，并进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa，接着结合特征Xr和Xa，通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，最后利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，并预测化学反应转化率，这不仅考虑了反应式信息，更考虑了对化学反应转化率影响最大的反应物类型A的信息，以及他们之间的关系信息，使得对化学反应转化率有影响的信息均得到充分的考虑和利用，从而大大提高了化学反应转化率的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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为本发明实施例化学反应转化率预测方法的原理流程图；
图2为本发明实施例化学反应转化率预测系统的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1：
如图1所示，本实施例所述的化学反应转化率预测方法，包括以下步骤：
S1、从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
具体为，根据每种反应物类型下的不同分子数目，将不同分子数目最多的反应物类型作为对化学反应转化率影响最大的反应物类型。
S2、进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
具体地，本步骤具体包括：
S2-1、将反应物类型A的反应物和化学反应对应的化学反应式R均转化为SMILES序列，得到Sr和Sa；
S2-2、利用RXNFP模型对反应物类型A的反应物和化学反应对应的化学反应式R的SMILES序列Sr和Sa进行分词及特征提取，得到 其中Nr为化学反应式R中分词节点的个数，Na为反应物类型A的反应物中分词节点的个数，db表示输出的特征维度，cls分词不表示任何语义，在于获取反应式或分子的整体特征。
本实施例中，db＝256，Nr的最大值为300，Na的最大值为100。
S3、为了挖掘反应物与反应式之间的关系，得到相互关系的辅助信息，本步骤结合特征Xr和Xa，通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
具体地，本步骤的过程如下：
注意力函数为:
其中，查询集Q＝{q1,q2,…,qn}，键集合K＝{k1,k2,…,km}，dk为ki的维度，i∈[1,m]；
在平行子空间中分别学习h个不同的注意力分数，并将该h个不同的注意力分数拼接起来：
MultiHead(K,Q,V)＝Concat(head1,head2,…,headh)Wo
headi＝Attention(K,Q,V)
其中Wo为需要学习的参数，
为了更深入挖掘反应式信息和反应物信息，使用多头注意力机制和残差模块对反应物类型A的反应物、化学反应对应的化学反应式R以及该两者的关系进行自注意力计算：
其中Norm为标准化层，为可学习的注意力参数，维度均为/>该层输出Tr为化学反应对应的化学反应式R的深层表征信息，Ta为反应物类型A的反应物的深层表征信息，Tm为两者的关系信息。
上述中，步骤S2和步骤S3需要通过反向传播机制学习，训练中使用MSE(meansquared error)作为损失函数。其中步骤S3的注意力头数h＝8.
S4、利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，并预测化学反应转化率。
具体地，本步骤的过程如下：
S4-1、将反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm融合得到T：
T＝[Tr；Ta；Tm]
S4-2、将T通过特征层映射得到Zi：
其中和/>为随机参数，φ为激活函数，n为特征层的节点窗口数，每个窗口有k个节点；
S4-3、将得到的所有特征记为Zn＝[Z1,Z2,…,Zn]，且该些特征经过增强层得到增强特征Hm，其中第i个增强特征的计算方式为：
其中和/>是随机参数，ξ为激活函数；
S4-4、预测的转化率Y：
Y＝[Z1,Z2,…,Zn|H1,H2,…,Hm]Wm＝[Zn|Hm]Wm
其中Wm通过伪逆运算计算所得。
本实施例从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A，并进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa，接着结合特征Xr和Xa，通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，最后利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，并预测化学反应转化率，这不仅考虑了反应式信息，更考虑了对化学反应转化率影响最大的反应物类型A的信息，以及他们之间的关系信息，使得对化学反应转化率有影响的信息均得到充分的考虑和利用，从而大大提高了化学反应转化率的预测精度。
实施例2：
如图2所示，本实施例所述的化学反应转化率预测系统用于实现上述化学反应转化率预测方法，其包括辅助反应物选择模块1、特征提取模块2、注意力模块3、宽度学习模块4；
其中，
所述辅助反应物选择模块1，用于从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
所述特征提取模块2，用于反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
所述注意力模块3，用于通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
所述宽度学习模块4，用于融合反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，并预测化学反应转化率。
实施例3：
本实施例为一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述化学反应转化率预测方法的步骤。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.化学反应转化率预测方法，其特征在于，包括以下步骤：
S1、从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
S2、进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
S3、结合特征Xr和Xa，通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
S4、利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，并预测化学反应转化率；
所述步骤S3使用多头点积缩放注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，过程包括：
注意力函数为：
其中，查询集Q＝{q1，q2，…，qn}，键集合K＝{k1，k2，…，km}，dk为ki的维度，i∈[1，m]；
在平行子空间中分别学习h个不同的注意力分数，并将该h个不同的注意力分数拼接起来：
MultiHead(K，Q，V)＝Concat(head1，head2，…，headh)Wo
headi＝Attention(K，Q，V)
其中Wo为需要学习的参数，
为了更深入挖掘反应式信息和反应物信息，使用多头注意力机制和残差模块对反应物类型A的反应物、化学反应对应的化学反应式R以及该两者的关系进行自注意力计算：
其中Norm为标准化层，为可学习的注意力参数，维度均为/>该层输出Tr为化学反应对应的化学反应式R的深层表征信息，Ta为反应物类型A的反应物的深层表征信息，Tm为两者的关系信息；
所述步骤S4包括：
S4-1、将反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm融合得到T：
T＝[Tr；Ta；Tm]
S4-2、将T通过特征层映射得到Zi：
其中和/>为随机参数，φ为激活函数，n为特征层的节点窗口数，每个窗口有k个节点；
S4-3、将得到的所有特征记为Zn＝[Z1，Z2，…，Zn]，且该些特征经过增强层得到增强特征Hm，其中第i个增强特征的计算方式为：
其中和/>是随机参数，ξ为激活函数；
S4-4、预测的转化率Y：
Y＝[Z1，Z2，…，Zn|H1，H2，…，Hm]Wm＝[Zn|Hm]Wm
其中Wm通过伪逆运算计算所得。
2.根据权利要求1所述的化学反应转化率预测方法，其特征在于，所述步骤S1根据每种反应物类型下的不同分子数目，将不同分子数目最多的反应物类型作为对化学反应转化率影响最大的反应物类型。
3.根据权利要求1所述的化学反应转化率预测方法，其特征在于，所述步骤S2包括：
S2-1、将反应物类型A的反应物和化学反应对应的化学反应式R均转化为SMILES序列，得到Sr和Sa；
S2-2、利用RXNFP模型对反应物类型A的反应物和化学反应对应的化学反应式R的SMILES序列Sr和Sa进行分词及特征提取，得到 其中Nr为化学反应式R中分词节点的个数，Na为反应物类型A的反应物中分词节点的个数，db表示输出的特征维度，cls分词不表示任何语义，在于获取反应式或分子的整体特征。
4.化学反应转化率预测系统，所述化学反应转化率预测系统用于实现权利要求1-3任一的化学反应转化率预测方法，其特征在于，包括辅助反应物选择模块(1)、特征提取模块(2)、注意力模块(3)、宽度学习模块(4)；
其中，
所述辅助反应物选择模块(1)，用于从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A；
所述特征提取模块(2)，用于反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，得到对应的特征Xr和Xa；
所述注意力模块(3)，用于通过注意力机制求取反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm；
所述宽度学习模块(4)，用于融合反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，并预测化学反应转化率。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-3中任一项所述方法的步骤。
CN202111444354.1A 2021-11-30 2021-11-30 基于深度学习的化学反应转化率预测方法、系统及介质 Active CN114203264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111444354.1A CN114203264B (zh) 2021-11-30 2021-11-30 基于深度学习的化学反应转化率预测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111444354.1A CN114203264B (zh) 2021-11-30 2021-11-30 基于深度学习的化学反应转化率预测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN114203264A CN114203264A (zh) 2022-03-18
CN114203264B true CN114203264B (zh) 2024-05-14

Family

ID=80649771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111444354.1A Active CN114203264B (zh) 2021-11-30 2021-11-30 基于深度学习的化学反应转化率预测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN114203264B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2023119544A1 (zh) * 2021-12-23 2023-06-29

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959845A (zh) * 2018-06-27 2018-12-07 联想(北京)有限公司 化学反应路径获取方法、装置、电子设备及存储介质
CN109857901A (zh) * 2019-01-25 2019-06-07 杭州网易云音乐科技有限公司 信息展示方法和装置、以及用于信息搜索的方法和装置
CN111678885A (zh) * 2020-05-29 2020-09-18 清华大学 化学反应观测系统及方法
CN113470758A (zh) * 2021-07-06 2021-10-01 北京科技大学 基于因果发现和多结构信息编码的化学反应收率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959845A (zh) * 2018-06-27 2018-12-07 联想(北京)有限公司 化学反应路径获取方法、装置、电子设备及存储介质
CN109857901A (zh) * 2019-01-25 2019-06-07 杭州网易云音乐科技有限公司 信息展示方法和装置、以及用于信息搜索的方法和装置
CN111678885A (zh) * 2020-05-29 2020-09-18 清华大学 化学反应观测系统及方法
CN113470758A (zh) * 2021-07-06 2021-10-01 北京科技大学 基于因果发现和多结构信息编码的化学反应收率预测方法

Also Published As

Publication number Publication date
CN114203264A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN111859978B (zh) 一种基于深度学习的情感文本生成方法
Hawkins et al. Self-starting multivariate exponentially weighted moving average control charting
Blanchet et al. Distributionally robust groupwise regularization estimator
CN111930903A (zh) 基于深度日志序列分析的系统异常检测方法及系统
CN112397155B (zh) 一种单步逆向合成方法及系统
CN114203264B (zh) 基于深度学习的化学反应转化率预测方法、系统及介质
CN113064586B (zh) 一种基于抽象语法树增广图模型的代码补全方法
CN113470758B (zh) 基于因果发现和多结构信息编码的化学反应收率预测方法
CN111723949A (zh) 基于选择性集成学习的孔隙度预测方法
Dulac-Arnold et al. Fast reinforcement learning with large action sets using error-correcting output codes for mdp factorization
Eltoukhy et al. Modeling and base-calling for DNA sequencing-by-synthesis
CN102521654B (zh) Rna遗传算法的超临界水氧化反应动力学模型参数估计方法
CN117457093B (zh) 基于数据扩增的有机反应产物逆合成方法及装置
CN114530208A (zh) 一种化学逆向合成路径规划方法及系统
Yuan et al. Gradient-based active learning query strategy for end-to-end speech recognition
CN112417890A (zh) 一种基于多样化语义注意力模型的细粒度实体分类方法
CN115526293B (zh) 一种顾及语义和结构信息的知识图谱推理方法
CN114021469B (zh) 一种基于混合序列网络进行一段炉过程监测的方法
CN116291336A (zh) 一种基于深度自注意力神经网络的自动分段分簇系统
CN111611745A (zh) 基于差分进化算法的无人船模型参数辨识方法及系统
CN115810404A (zh) 基于多层级信息融合的药物化学反应类型预测方法
EP4080400A1 (en) Automatic industry classification method and system
CN114092269A (zh) 基于改进广义网络向量模型的时序数据预测方法及装置
Liu et al. Evolutionary Large-Scale Multiobjective Optimization via Autoencoder-Based Problem Transformation
CN113342982A (zh) 融合RoBERTa和外部知识库的企业行业分类方法

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