CN114781280A - 基于循环神经网络的交互式收率优化方法及系统 - Google Patents

基于循环神经网络的交互式收率优化方法及系统 Download PDF

Info

Publication number
CN114781280A
CN114781280A CN202210704131.2A CN202210704131A CN114781280A CN 114781280 A CN114781280 A CN 114781280A CN 202210704131 A CN202210704131 A CN 202210704131A CN 114781280 A CN114781280 A CN 114781280A
Authority
CN
China
Prior art keywords
condition parameters
yield
chemical reaction
reaction yield
model
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
CN202210704131.2A
Other languages
English (en)
Other versions
CN114781280B (zh
Inventor
柳彦宏
戴开洋
张�浩
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.)
Yantai Guogong Intelligent Technology Co ltd
Original Assignee
Yantai Guogong Intelligent Technology Co 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 Yantai Guogong Intelligent Technology Co ltd filed Critical Yantai Guogong Intelligent Technology Co ltd
Priority to CN202210704131.2A priority Critical patent/CN114781280B/zh
Publication of CN114781280A publication Critical patent/CN114781280A/zh
Application granted granted Critical
Publication of CN114781280B publication Critical patent/CN114781280B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于循环神经网络的交互式收率优化方法及系统，属于化学反应收率优化技术领域，要解决的技术问题为如何在降低实验成本的前提下得到一个相对较高的化学反应收率。包括如下步骤：获取多种实验条件参数；通过混合高斯密度函数模拟当前化学反应，得到反应收率；基于循环神经网络模型构建化学反应模型；初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；以所述目标反应收率达到阈值为条件，对化学反应模型进行多轮训练。

Description

基于循环神经网络的交互式收率优化方法及系统
技术领域
本发明涉及化学反应收率优化技术领域，具体地说是基于循环神经网络的交互式收率优化方法及系统。
背景技术
在一个化学反应中，除了反应物本身，还有非常多因素会对化学反应的收率产生影响。为了得到一个较高的反应收率，化学领域相关专家需要经过非常多的实验，这就不可避免的需要大量的时间与金钱成本。通常在实验之初，会设计一些试验方案，来减少实验的次数降低实验成本。但是，这往往就会错过最佳的反应条件。
如何在降低实验成本的前提下得到一个相对较高的化学反应收率，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供基于循环神经网络的交互式收率优化方法及系统，来解决如何在降低实验成本的前提下得到一个相对较高的化学反应收率的技术问题。
第一方面，本发明的一种基于循环神经网络的交互式收率优化方法，包括如下步骤：
对于当前化学反应，获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数；
以所述编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率；
基于循环神经网络模型构建化学反应模型，所述化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率；
初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；
以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
作为优选，对于数值型的实验条件参数，通过划定取值范围并进行刻度划定的方式进行编码。
作为优选，所述化学反应模型对应的计算公式为：
Figure 392922DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
作为优选，每一轮次对所述化学反应模型进行训练时，通过配置有Adam函数的优化器对所述化学反应模型进行训练，并基于损失函数计算化学反应模型输出的预测反应收率以及实际反应收率之间的loss值，并基于反向传播算法对所述化学反应模型进行参数更新，直至loss值稳定。
作为优选，所述损失函数计算公式为：
Figure 569826DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure 288383DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
第二方面，本发明的一种基于循环神经网络的交互式收率优化系统，用于执行如第一方面任一项所述的基于循环神经网络的交互式收率优化方法，所述系统包括：
数据收集模块，对于当前化学反应，所述数据收集模块用于获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数；
初始数据构建模块，所述初始数据构建模块用于以所述编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率；
模型构建模块，所述反应模型构建模块用于基于循环神经网络模型构建化学反应模型，所述化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率；
模型训练模块，所述模型训练模块用于通过如下操作训练所述化学反应模型：
初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；
以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
作为优选，对于数值型的实验条件参数，所述数据收集模块用于通过划定取值范围并进行刻度划定的方式进行编码。
作为优选，所述化学反应模型对应的计算公式为：
Figure 343496DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
作为优选，每一轮次对所述化学反应模型进行训练时，所述模型训练模块用于通过配置有Adam函数的优化器对所述化学反应模型进行训练，并基于损失函数计算化学反应模型输出的预测反应收率以及实际反应收率之间的loss值，并基于反向传播算法对所述化学反应模型进行参数更新，直至loss值稳定。
作为优选，所述损失函数计算公式为：
Figure 122096DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure 458400DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
本发明的基于循环神经网络的交互式收率优化方法及系统具有以下优点：基于循环神经网络构建反应模型，该反应模型以基于历史数据集、以及基于上一轮次的实验条件参数及对应的反应收率，预测并输出下一轮的反应收率，即基于循环神经网络的时序信息的记忆特性，本质上则是序列决策的方法，通过循环神经网络构来决策每一轮实验的条件，然后用最高的反应收率作为神经网络的奖励，通过多轮实验交互，使得循环神经网络都以推荐出收率更高的实验条件，从而帮助实验人员解决实验设计问题，有效降低成本，得到一个更优的反应收率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，对于本领域的普通技术人员来讲，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。
下面结合附图对本发明进一步说明。
图1为实施例1一种基于循环神经网络的交互式收率优化方法的流程框图；
图2为实施例1一种基于循环神经网络的交互式收率优化方法中循环神经网络模型的推荐实验条件参数的原理框图；
图3为实施例1一种基于循环神经网络的交互式收率优化方法中循环神经网络模型结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供基于循环神经网络的交互式收率优化方法及系统，用于解决如何在降低实验成本的前提下得到一个相对较高的化学反应收率的技术问题。
实施例1：
本发明一种基于循环神经网络的交互式收率优化方法，如图1所示，包括如下步骤：
S100、对于当前化学反应，获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数；
S200、以编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率；
S300、基于循环神经网络模型构建化学反应模型，所述化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率；
S400、初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；
以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
本实施例的方法通过多次迭代实验，最终得到一个满意反应收率。其核心思想是决策函数应该如何在规定的化学反应条件中采取交互式反馈，以最大化累积的奖励的概念，以期得到更高的化学反应收率。
步骤S100获取实验数据并进行预处理，作为具体实施，选定参与化学实验反应的实验条件和辅助物质作为实验条件参数（包括PH值、溶剂、温度以及催化剂等），并对每个实验条件参数进行编码，得到编码后实验条件参数。
选取的实验条件参数类型涉及数值型和非数值型，对于数值型的实验条件参数如温度、PH值等，由实验人员划定取值范围并进行刻度划分例如温度参数范围5~10；对于非数值型的实验条件参数，例如溶剂、催化剂等，通过SMILES表达式进行编码表示。
步骤S200使用混合高斯密度函数来模拟当前化学反应，通过输入不同的化学反应条件得到不到不同的反应收率，来模拟整个优化过程。
作为具体实施，将上述编码后的实验条件参数作为输入，通过混合高斯密度函数模拟化学反应得到对应的反应收率。
步骤S300采用循环神经网络来拟合r = R(s)模型，作为化学反应模型，其中r为收率，函数R为反应条件到收率的映射函数，s为反应条件参数。
作为具体实施，采用循环神经网络作为决策算法，来拟合r = R(s)模型。循环神经网络的核心是能够将时序信息与当前的输入信息进行融合。在实施例中，主要是借助循环神经网络的时序记忆特点，将高收率作为目标，来生成下轮实验的实验参数。模型核心公式如下所示：
Figure 839702DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
参照示意图图2，采用迭代方式对化学反应模型进行训练，过程如下：
（1）获取初始数据，通过步骤S100获取编码后的实验条件参数，并通过步骤S200以该编码后的实验条件参数为输入、得到对应的化学反应收率，将编码后的实验条件参数以及对应的化学反应收率作为初始数据；
（2）初始化历史数据集为空集，基于上述初始数据对化学反应模型进行训练，该化学反应模型推荐下一轮即第一轮实验条件参数；
实验人员根据上述实验条件参数进行实验的，得到对应的化学反应收率；
（3）如果得到的化学反应收率满足实验人员设置的阈值，则停止化学反应模型训练，如果不满足，则将初始数据更新至历史数据，基于第一轮实验条件参数、对应的化学反应收率以及历史数据对化学反应模型进行训练，该训练后化学反应模型推荐下一轮即第二轮实验条件参数，实验人员根据第二轮实验条件参数进行实验的，得到对应的化学反应收率；
（4）如果第二轮得到的化学反应收率满足实验人员设置的阈值，则停止化学反应模型训练，如果不满足，则将上述第一轮实验条件参数以及对应的化学反应收率更新至历史数据，基于第二轮实验条件参数、对应的化学反应收率以及历史数据对化学反应模型进行训练，该训练后化学反应模型推荐下一轮即第三轮实验条件参数，实验人员根据第三轮实验条件参数进行实验的，得到对应的化学反应收率；
（5）依照步骤（3）和（4）的规律对化学反应模型进行迭代训练，直至得到的化学反应模型达到阈值。
其中，步骤（1）得到的初始数据仅在第一轮作为初始化循环神经网络使用，后续则使用上一轮再训练的网络模型。
循环神经网络采用长短期记忆神经网络（LSTM）实现，循环神经网络每一轮的参数推荐都是基于历史数据进行再训练。通过配置有Adam函数的优化器对所述翻译模型进行训练，并基于损失函数（计算公式如下所示）计算预测产物与生成物之间的loss值，并采用反向传播算法对翻译模型的参数进行更新，直至loss值趋于稳定。
损失函数计算公式为：
Figure 148324DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure 894563DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
本实施例提供了一个收率优化的方法，借助循环神经网络，采用交互式的实验手段，最终为实验人员得到一个较为满意的反应收率。以下给出一个具体实施案例：
（1）给定一个化学反应式
BrC1=CNC2=CC(C(OC)=O)=CC=C21 + OCC3=CC=CC=C3
—>BrC4=CN(CC5=CC=CC=C5)C6=CC(C(OC) =O) =CC=C64
涉及到的实验条件参数为solvent（溶剂）、Phosphine（膦）、浓度和温度，solvent和Phosphine均为非数值型参数，对于solvent和Phosphine分别通过SMILES表达式进行编码表示，其编码表示分别如下：
solvent[O=CN(C)C,C1CCOC1,CC#N,CC1=CC=CC=C1,CC(OCC)=O]；
Phosphine[CCCCP(CCCC)CCCC,C1(P(C2CCCCC2)C3CCCCC3)CCCCC1,CP(C1=CC=CC=C1)C2=CC=CC=C2]；
滴速和温度为数值型参数，划定取值范围并进行刻度划分，其编码表示分别如下：
浓度[0.05, 0.10, 0.15, 0.20]；
温度[5,15,25,35,45]；
为了使生成物的收率最高，则需要寻找到一个最佳的实验条件参数组合；
（2）使用高斯混合密度函数模拟上述化学反应，通过输入上述化学反应条件得到不同的反应收率，各反应条件下反应收率具体如表1所示：
表1、高斯混合密度函数模拟下的收率
Figure 531212DEST_PATH_IMAGE004
（3）采用循环神经网络来拟合r = R(s)模型，作为化学反应模型，该循环神经网络采用长短期记忆神经网络（LSTM）实现，其网络结构如图3所示，图3中sigmoid函数和tanh函数均为激活函数，sigmoid函数是平滑（smoothened）的阶梯函数（step function）、可导，sigmoid函数可以将任何值转换为0~1概率；tanh函数即双曲正切（hyperbolic tangent）函数，类似于幅度增大sigmoid函数，将输入值转换为-1至1之间；
（4）初始化历史数据集h为空集，将步骤（1）编码后的实验条件参数以及步骤（2）得到的对应的化学反应收率为当前实验条件参数和对应的反应收率，训练该化学反应模型，训练后的该化学反应模型输出第一轮实验条件参数作为目标实验参数，实验人员根据该目标实验参数进行实验，得到反应收率为目标反应收率；
实验人员设定了目标反应收率的阈值为96%，第一轮实验条件参数对应的目标反应收率小于阈值96%，则将步骤（1）编码后的实验条件参数和对应的化学反应收率更新至历史数据集，基于该历史数据集以及第一轮实验条件参数和对应的目标反应收率对化学反应模型进行训练，该训练后的化学反应模型推荐第二轮实验条件参数，实验人员根据第二轮实验条件参数进行实验，得到第二轮对应的反应收率，该反应收率小于阈值96%，则继续将第一轮实验条件参数和对应的化学反应收率更新至历史数据集，基于该历史数据集以及第二轮实验条件参数和对应的目标反应收率对化学反应模型进行训练，该训练后的化学反应模型推荐第三轮实验条件参数，实验人员根据第三轮实验条件参数进行实验，得到第三轮对应的化学反应收率，该反应收率小于阈值96%，则依据上述规律继续进行训练，第6轮实验条件参数对应化学反应收率大于96%，则停止模型训练以及实验条件参数推荐。
在训练迭代中，各组实验条件参数以及产生的化学反应收率如表2所示。
表2：
Figure 591572DEST_PATH_IMAGE005
每次迭代时，可以将化学反应模型可以设置为推荐多组实验条件参数（反应收率最大的前几个实验条件参数），即在模型训练输入时，输入的实验条件参数和反应收率是多组的，同时，推荐的实验条件参数也为多组。也可将化学反应模型设置为推荐一组实验条件参数（反应收率最大的一个实验条件参数），即在模型训练输入时，输入的实验条件参数和反应收率也是一组。上述案例化学反应模型推荐五组实验条件参数，实验人员可根据推荐的五组实验条件分别进行实验，得到每组实验对应的反应收率，表2中仅仅展示收率最高的那组实验的详情。
实施例2：
本发明一种基于循环神经网络的交互式收率优化系统，包括数据收集模块、初始数据构建模块、模型构建模块、以及模型训练模块。该系统用于执行实施例1公开的一种基于循环神经网络的交互式收率优化方法。
对于当前化学反应，数据收集模块用于获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数。
本实施例中数据收集模块用于获取实验数据并进行预处理，作为具体实施，选定参与化学实验反应的实验条件和辅助物质作为实验条件参数（包括PH值、溶剂、温度以及催化剂等），并对每个实验条件参数进行编码，得到编码后实验条件参数。
选取的实验条件参数类型涉及数值型和非数值型，对于数值型的实验条件参数如温度、PH值等，由实验人员划定取值范围并进行刻度划分例如温度参数范围5~10；对于非数值型的实验条件参数，例如溶剂、催化剂等，通过SMILES表达式进行编码表示。
初始数据构建模块用于以编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率。
模型构建模块用于基于循环神经网络模型构建化学反应模型，化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率。
模型构建模块采用循环神经网络来拟合r = R(s)模型，作为化学反应模型，其中r为收率，函数R为反应条件到收率的映射函数，s为反应条件参数。
作为具体实施，采用循环神经网络作为决策算法，来拟合r = R(s)模型。循环神经网络的核心是能够将时序信息与当前的输入信息进行融合。在实施例中，主要是借助循环神经网络的时序记忆特点，将高收率作为目标，来生成下轮实验的实验参数。模型核心公式如下所示：
Figure 879334DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
模型训练模块用于执行如下步骤来交互式的优化反应收率：初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
模型训练模块通过迭代方式在对化学反应模型进行训练，过程如下：
（1）获取初始数据，通过步骤S100获取编码后的实验条件参数，并通过步骤S200以该编码后的实验条件参数为输入、得到对应的化学反应收率，将编码后的实验条件参数以及对应的化学反应收率作为初始数据；
（2）初始化历史数据集为空集，基于上述初始数据对化学反应模型进行训练，该化学反应模型推荐下一轮即第一轮实验条件参数；
实验人员根据上述实验条件参数进行实验的，得到对应的化学反应收率；
（3）如果得到的化学反应收率满足实验人员设置的阈值，则停止化学反应模型训练，如果不满足，则将初始数据更新至历史数据，基于第一轮实验条件参数、对应的化学反应收率以及历史数据对化学反应模型进行训练，该训练后化学反应模型推荐下一轮即第二轮实验条件参数，实验人员根据第二轮实验条件参数进行实验的，得到对应的化学反应收率；
（4）如果第二轮得到的化学反应收率满足实验人员设置的阈值，则停止化学反应模型训练，如果不满足，则将上述第一轮实验条件参数以及对应的化学反应收率更新至历史数据，基于第二轮实验条件参数、对应的化学反应收率以及历史数据对化学反应模型进行训练，该训练后化学反应模型推荐下一轮即第三轮实验条件参数，实验人员根据第三轮实验条件参数进行实验的，得到对应的化学反应收率；
（5）依照步骤（3）和（4）的规律对化学反应模型进行迭代训练，直至得到的化学反应模型达到阈值。
其中，步骤（1）得到的初始数据仅在第一轮作为初始化循环神经网络使用，后续则使用上一轮再训练的网络模型。
循环神经网络采用长短期记忆神经网络（LSTM）实现，循环神经网络每一轮的参数推荐都是基于历史数据进行再训练。通过配置有Adam函数的优化器对所述翻译模型进行训练，并基于损失函数（计算公式如下所示）计算预测产物与生成物之间的loss值，并采用反向传播算法对翻译模型的参数进行更新，直至loss值趋于稳定。
损失函数计算公式为：
Figure 796474DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure 45053DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (10)

1.一种基于循环神经网络的交互式收率优化方法，其特征在于包括如下步骤：
对于当前化学反应，获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数；
以所述编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率；
基于循环神经网络模型构建化学反应模型，所述化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率；
初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；
以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
2.根据权利要求1所述的基于循环神经网络的交互式收率优化方法，其特征在于对于数值型的实验条件参数，通过划定取值范围并进行刻度划定的方式进行编码。
3.根据权利要求1所述的基于循环神经网络的交互式收率优化方法，其特征在于所述化学反应模型对应的计算公式为：
Figure DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
4.根据权利要求1-3任一项所述的基于循环神经网络的交互式收率优化方法，其特征在于每一轮次对所述化学反应模型进行训练时，通过配置有Adam函数的优化器对所述化学反应模型进行训练，并基于损失函数计算化学反应模型输出的预测反应收率以及实际反应收率之间的loss值，并基于反向传播算法对所述化学反应模型进行参数更新，直至loss值稳定。
5.根据权利要求4所述的基于循环神经网络的交互式收率优化方法，其特征在于所述损失函数计算公式为：
Figure 857844DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
6.一种基于循环神经网络的交互式收率优化系统，其特征在于用于执行如权利要求1-5任一项所述的基于循环神经网络的交互式收率优化方法，所述系统包括：
数据收集模块，对于当前化学反应，所述数据收集模块用于获取多种实验条件参数，对于数值型的实验条件参数，通过划定数值取值范围的方式进行编码，对于非数值型的实验条件参数，通过SMILES表达式进行编码，得到编码后实验条件参数；
初始数据构建模块，所述初始数据构建模块用于以所述编码后实验条件参数为输入，通过混合高斯密度函数模拟当前化学反应，得到反应收率；
模型构建模块，所述反应模型构建模块用于基于循环神经网络模型构建化学反应模型，所述化学反应模型用于基于历史数据集以及当前的实验条件参数和对应的反应收率预测并输出下一轮的实验条件参数，所述历史数据集包括历史每一轮的实验条件参数和对应的反应收率；
模型训练模块，所述模型训练模块用于通过如下操作训练所述化学反应模型：
初始化历史数据集，并以所述编码后实验条件参数以及对应的化学反应收率为当前实验条件参数和对应的反应收率，训练所述化学反应模型，并输出下一轮的实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率；
以所述目标反应收率达到阈值为条件，对所述化学反应模型进行多轮训练，每一轮训练中，将所述当前实验条件参数以及对应的反应收率更新至历史数据集，将所述目标实验条件参数以及对应的目标反应收率作为当前的实验条件参数和对应的反应收率，基于历史数据集以及当前实验条件参数和对应的反应收率训练所述初始化学反应模型，并输出下一轮实验条件参数作为目标实验参数，基于所述目标实验条件参数进行化学实验，得到的反应收率作为目标反应收率。
7.根据权利要求6所述的基于循环神经网络的交互式收率优化系统，其特征在于对于数值型的实验条件参数，所述数据收集模块用于通过划定取值范围并进行刻度划定的方式进行编码。
8.根据权利要求6所述的基于循环神经网络的交互式收率优化系统，其特征在于所述化学反应模型对应的计算公式为：
Figure 791165DEST_PATH_IMAGE001
其中，RNN θ 表示循环神经网络模型，t表示当前轮次，t+1表示下一轮次，s表示实验条件参数，r表示反应收率，h表示历史数据集。
9.根据权利要求6-8任一项所述的基于循环神经网络的交互式收率优化系统，其特征在于每一轮次对所述化学反应模型进行训练时，所述模型训练模块用于通过配置有Adam函数的优化器对所述化学反应模型进行训练，并基于损失函数计算化学反应模型输出的预测反应收率以及实际反应收率之间的loss值，并基于反向传播算法对所述化学反应模型进行参数更新，直至loss值稳定。
10.根据权利要求9所述的基于循环神经网络的交互式收率优化系统，其特征在于所述损失函数计算公式为：
Figure 663306DEST_PATH_IMAGE002
其中，t表示当前轮次，r表示反应收率，T表示总轮次，
Figure 922249DEST_PATH_IMAGE003
表示1到t轮之间最大的反应收率。
CN202210704131.2A 2022-06-21 2022-06-21 基于循环神经网络的交互式收率优化方法及系统 Active CN114781280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210704131.2A CN114781280B (zh) 2022-06-21 2022-06-21 基于循环神经网络的交互式收率优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210704131.2A CN114781280B (zh) 2022-06-21 2022-06-21 基于循环神经网络的交互式收率优化方法及系统

Publications (2)

Publication Number Publication Date
CN114781280A true CN114781280A (zh) 2022-07-22
CN114781280B CN114781280B (zh) 2022-09-30

Family

ID=82422094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210704131.2A Active CN114781280B (zh) 2022-06-21 2022-06-21 基于循环神经网络的交互式收率优化方法及系统

Country Status (1)

Country Link
CN (1) CN114781280B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796346A (zh) * 2022-11-22 2023-03-14 烟台国工智能科技有限公司 一种收率优化方法、系统及非暂态计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359768A (zh) * 2018-09-25 2019-02-19 联想(北京)有限公司 一种数据处理方法、服务器及电子设备
WO2021007801A1 (zh) * 2019-07-16 2021-01-21 东北大学 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359768A (zh) * 2018-09-25 2019-02-19 联想(北京)有限公司 一种数据处理方法、服务器及电子设备
WO2021007801A1 (zh) * 2019-07-16 2021-01-21 东北大学 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796346A (zh) * 2022-11-22 2023-03-14 烟台国工智能科技有限公司 一种收率优化方法、系统及非暂态计算机可读存储介质

Also Published As

Publication number Publication date
CN114781280B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Wang Fast training algorithms for deep convolutional fuzzy systems with application to stock index prediction
Man et al. Genetic algorithms: concepts and designs
Yang Biology-derived algorithms in engineering optimization
Hassan et al. A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction
CN113361680A (zh) 一种神经网络架构搜索方法、装置、设备及介质
CN106021990A (zh) 一种将生物基因以特定的性状进行分类与自我识别的方法
CN114781280B (zh) 基于循环神经网络的交互式收率优化方法及系统
CN114360662A (zh) 一种基于两路多分支cnn的单步逆合成方法及系统
CN112990485A (zh) 基于强化学习的知识策略选择方法与装置
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN101893852A (zh) 一种复杂工业过程的多目标建模方法
EP4032093B1 (en) Artificial intelligence-based epigenetics
CN117634617A (zh) 知识密集型推理问答方法、装置、电子设备和存储介质
Olariu et al. Biology-derived algorithms in engineering optimization
Zhou et al. A novel mission planning method for UAVs’ course of action
US8700541B2 (en) Modeling method of neuro-fuzzy system
Sayin Decentralized learning for stochastic games: Beyond zero sum and identical interest
CN115577872A (zh) 基于多能智能体深度强化学习的结构化数据预测优化方法
CN115295115A (zh) 基于深度学习的丙戊酸钠血药浓度预测方法及装置
CN114387028A (zh) 一种面向网络购物平台的商品需求量的智能分析方法
CN116192650B (zh) 一种基于子图特征的链路预测方法
Season Non-linear PLS using genetic programming
Boni et al. Chemical reaction optimization for minimum weight dominating set
CN115471142B (zh) 一种基于人机协同的港口拖轮作业智能调度方法
Kato et al. Genetic tuning for improving wang and Mendel's fuzzy database

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