CN115422817A - 分子碰撞截面的预测方法、装置、设备及存储介质 - Google Patents

分子碰撞截面的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115422817A
CN115422817A CN202211218777.6A CN202211218777A CN115422817A CN 115422817 A CN115422817 A CN 115422817A CN 202211218777 A CN202211218777 A CN 202211218777A CN 115422817 A CN115422817 A CN 115422817A
Authority
CN
China
Prior art keywords
section
collision
collision cross
preset
cross
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.)
Pending
Application number
CN202211218777.6A
Other languages
English (en)
Inventor
孙东伟
李兴文
周永言
张博雅
唐念
郝迈
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.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202211218777.6A priority Critical patent/CN115422817A/zh
Publication of CN115422817A publication Critical patent/CN115422817A/zh
Priority to PCT/CN2023/072743 priority patent/WO2024066143A1/zh
Pending legal-status Critical Current

Links

Images

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
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • 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

Landscapes

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

Abstract

本申请公开了一种分子碰撞截面的预测方法、装置、设备及存储介质，通过基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，并利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，以实现利用已有气体的碰撞截面数据分析电子群参数特征；再利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，以及利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据，从而利用机器学习方式建立准确的反演模型，以加速气体完整碰撞截面集的获取和降低人为修正的主观性，有效解决现有截面集修正过程效率低和依赖专家经验的问题。

Description

分子碰撞截面的预测方法、装置、设备及存储介质
技术领域
本申请涉及分子碰撞技术领域，尤其涉及一种分子碰撞截面的预测方法、装置、设备及存储介质。
背景技术
电子与中性分子的碰撞导致该电子被吸附在中性分子，即为吸附截面。吸附截面属于碰撞截面，碰撞截面主要包括电离截面、吸附截面、激发截面、弹性截面和动量转移截面，这些截面均可以通过电子束实验或量子化学理论计算得到，但由于实验和计算都存在误差，导致这些碰撞截面组合在一起计算得到的电子群参数与实测值之间存在较大的差别。
目前，对于某一种分子，相关技术利用汇总的截面集求解Boltzmann方程，以计算该分子的电子群参数，并将电子群参数与实验测量值进行比较；再通过人为反复修正截面集，以不断提高计算参数与实验数据的一致性，最终得到一套完整自洽的碰撞截面集，但是该迭代修正过程十分繁琐和效率低，且严重依赖于专家经验。
发明内容
本申请提供了一种分子碰撞截面的预测方法、装置、设备及存储介质，以解决碰撞截面集的修正过程效率低和依赖专家经验的技术问题。
为了解决上述技术问题，第一方面，本申请提供了一种分子碰撞截面的预测方法，包括：
基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
在一些实现方式中，所述基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，包括：
对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
在一些实现方式中，所述对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，包括：
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
Figure BDA0003874672990000021
其中，σnew(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σj表示第j个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
在一些实现方式中，所述新的碰撞截面对应的能量的计算函数为：
Figure BDA0003874672990000022
其中，s表示区间[-1,1]内的随机数，∈min表示预设的能级最小值，∈max表示预设的能级最大值。
在一些实现方式中，所述利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，包括：
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
在一些实现方式中，所述预设神经网络为全连接神经网络，所述利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，包括：
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
在一些实现方式中，所述损失函数为：
Figure BDA0003874672990000031
其中，loss为损失函数的输出值，N表示数据量，yi表示作为训练标签的所述碰撞截面数据，σ(xi)表示全连接神经网络的输出。
第二方面，本申请还提供一种分子碰撞截面的预测装置，包括：
生成模块，用于基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
计算模块，用于利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
训练模块，用于利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
预测模块，用于利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
第三方面，本申请还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的分子碰撞截面的预测方法。
第四方面，本申请还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的分子碰撞截面的预测方法。
与现有技术相比，本申请至少具备以下有益效果：
通过基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，并利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，以实现利用已有气体的碰撞截面数据分析电子群参数特征；再利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，以及利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据，从而利用机器学习方式建立准确的反演模型，以加速气体完整碰撞截面集的获取和降低人为修正的主观性，有效解决现有截面集修正过程效率低和依赖专家经验的问题。
附图说明
图1为本申请实施例示出的分子碰撞截面的预测方法的流程示意图；
图2为本申请实施例示出的新的碰撞截面数据的示意图；
图3为本申请实施例示出的全连接神经网络的结构示意图；
图4为本申请实施例示出的四氢化硅气体的动量转移截面示意图；
图5为本申请实施例示出的分子碰撞截面的预测装置的结构示意图；
图6为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的一种分子碰撞截面的预测方法的流程示意图。本申请实施例的分子碰撞截面的预测方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的分子碰撞截面的预测方法包括步骤S101至步骤S104，详述如下：
步骤S101，基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集。
在本步骤中，根据LXCat数据库中已有气体的电子－分子碰撞截面数据，合成出大量碰撞截面数据，数据量不少于104组。
在一些实施例中，所述步骤S101，包括：
对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
在本实施例中，神经网络需要大量的截面数据进行训练，以LXCat已有的碰撞截面数据难以支撑神经网络完成训练，所以本申请生成新的碰撞截面数据。其中，为了避免生成无意义的截面数据，以随机生成的随机数r∈(0,1)对任意两种气体的碰撞截面数据进行加权几何平均值处理。
可选地，加权几何平均处理过程，包括：
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
Figure BDA0003874672990000051
其中，σnew(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σh表示第h个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
在本可选实施例中，该生成方式可以生成物理上存在意义的电子－分子碰撞截面数据并保留截面与能量之间的相关性，从而保证用于模型训练的碰撞截面数据的有效性，进而保证模型性能，
可选地，所述新的碰撞截面对应的能量的计算函数为：
Figure BDA0003874672990000052
其中，s表示区间[-1,1]内的随机数，∈mun表示预设的能级最小值，∈max表示预设的能级最大值。
示例性地，本实施例使用12种气体，其中分离出1种作为验证气体后，用其余11种气体按照排列组合的方式生成55类新的碰撞截面数据，每类截面数据生成1.6×103组碰撞截面集，总计8.8×104组碰撞截面集，新的碰撞截面数据(即合成截面数据)如图2所示，其中Cross Section为碰撞截面，以σ(∈)表示，单位为m2；Energy为碰撞截面能量，以∈表示，单位为eV。
步骤S102，利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数。
在本步骤中，使用Bolsig+软件作为电子群参数计算工具，计算出每组碰撞截面集对应的电子群参数。
在一些实施例中，所述步骤S102，包括：
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
在本实施例中，Bolsig+软件设置温度为T＝300K，对(10－3Td，103Td)能范围内15个等对数间距的约化场强进行求解，得到电子群参数，电子群参数包括有效电离速率系数、电子漂移速度和纵向电子扩散系数。其中，若需要极高的电场，Bolsig+可以自动将截面外推到能量范围。
步骤S103，利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型。
在本步骤中，为了在给定电子碰撞截面输运系数的情况下获得碰撞截面数据，预设神经网络采用全连接神经网络。可选地，最简单的全连接神经网络是由输入向量x到输出向量y的仿射变换，如下所示：
Figure BDA0003874672990000061
其中，矩阵W和向量b为神经网络参数。
在一些实施例中，所述步骤S103，包括：
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
在本实施例中，示例性地，全连接神经网络以一个输入层、一个输出层以及三个隐藏层为例，表示为：
Figure BDA0003874672990000071
其中，y为输出，x为输入，Swish为激活函数：
Figure BDA0003874672990000072
本实施例所使用的神经网络输入层包含25×3组电子群参数，共计75个输入，选用15个离散能量下的碰撞截面作为输出。输入层包括有效电离速率系数、电子漂移速度和归一化纵向电子扩散系数，分别选取15个约化场强下的值。这三类电子群参数的相关性较低，因此具有较好的代表性，可以较好地包含电子群参数的所有特征，并将电子群参数送入全连接神经网络进行分析，该神经网络的输入和输出如下所示：
Figure BDA0003874672990000073
其中W为电子漂移速度，n0DL为归一化纵向电子扩散系数，α为有效电离速率系数，En/n0约化场强，σ为碰撞截面值，∈n为电子能量。
本例神经网络模型的隐藏层层数为3层，三层隐藏层最终选择均使用60个神经元，最终全连接神经网络的结构如图3所示。
进一步地，不同输入量有不同的量纲和不同的量级，过大的量级会分到更高的权重使神经网络非常的不稳定，并且使求解器寻找最速降线也变得更加困难，这会对神经网络学习趋势的能力造成极大的阻碍。归一化后能使不同量级的输入分得几乎相等的权重。归一化过程为：
y＝lg(x)；
Figure BDA0003874672990000081
其中x为归一化前的原始数据，z为归一化之后的数据，y、ymin和ymax为中间量。当x＝0时取一个合适的等价无穷小代替。
可选地，本实施例以平均绝对误差作为损失函数：
Figure BDA0003874672990000082
其中，loss为损失函数的输出值，N表示数据量；yi表示作为训练标签的所述碰撞截面数据，在此作为标准值；σ(xi)表示全连接神经网络的输出，在此作为预测值。
可选地，在搭建神经网络时，将偏置设置为0，权重为均匀分布的随机数矩阵。使用Adam优化方式，学习率取为1×10－3，指数衰减率分别为β1＝0.9,β2＝0.999。
步骤S104，利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
在本步骤中，训练好神经网络后，选用四氢化硅SiH4作为验证气体，其动量转移截面结果如图4所示，其中，Cross Section为碰撞截面，以σ(∈)表示，单位为m2；Energy为碰撞截面能量，以∈表示，单位为eV；MTCS是数据库中的参考结果，Predict是神经网络的预测结果。如图4可知，当电子能量大于0.8eV时，预测效果更好。
为了执行上述方法实施例对应的分子碰撞截面的预测方法，以实现相应的功能和技术效果。参见图5，图5示出了本申请实施例提供的一种分子碰撞截面的预测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的分子碰撞截面的预测装置，包括：
生成模块501，用于基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
计算模块502，用于利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
训练模块503，用于利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
预测模块504，用于利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
在一些实施例中，所述生成模块501，包括：
生成单元，用于对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
分类单元，用于对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
在一些实施例中，所述生成单元，用于：
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
Figure BDA0003874672990000091
其中，σnew(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σj表示第j个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
在一些实施例中，所述新的碰撞截面对应的能量的计算函数为：
Figure BDA0003874672990000092
其中，s表示区间[-1,1]内的随机数，∈min表示预设的能级最小值，∈max表示预设的能级最大值。
在一些实施例中，所述计算模块502，用于：
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
在一些实施例中，所述预设神经网络为全连接神经网络，所述训练模块503，用于：
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
在一些实施例中，所述损失函数为：
Figure BDA0003874672990000101
其中，loss为损失函数的输出值，N表示数据量，yi表示作为训练标签的所述碰撞截面数据，σ(xi)表示全连接神经网络的输出。
上述的分子碰撞截面的预测装置可实施上述方法实施例的分子碰撞截面的预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图6为本申请一实施例提供的计算机设备的结构示意图。如图6所示，该实施例的计算机设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意方法实施例中的步骤。
所述计算机设备6可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器60、存储器61。本领域技术人员可以理解，图6仅仅是计算机设备6的举例，并不构成对计算机设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述计算机设备6的内部存储单元，例如计算机设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述计算机设备6的外部存储设备，例如所述计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还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，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种分子碰撞截面的预测方法，其特征在于，包括：
基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
2.如权利要求1所述的分子碰撞截面的预测方法，其特征在于，所述基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，包括：
对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
3.如权利要求2所述的分子碰撞截面的预测方法，其特征在于，所述对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，包括：
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
Figure FDA0003874672980000011
其中，σnew(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σj表示第j个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
4.如权利要求3所述的分子碰撞截面的预测方法，其特征在于，所述新的碰撞截面对应的能量的计算函数为：
Figure FDA0003874672980000012
其中，s表示区间[-1,1]内的随机数，∈min表示预设的能级最小值，∈max表示预设的能级最大值。
5.如权利要求1所述的分子碰撞截面的预测方法，其特征在于，所述利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，包括：
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
6.如权利要求1所述的分子碰撞截面的预测方法，其特征在于，所述预设神经网络为全连接神经网络，所述利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，包括：
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
7.如权利要求5所述的分子碰撞截面的预测方法，其特征在于，所述损失函数为：
Figure FDA0003874672980000021
其中，loss为损失函数的输出值，N表示数据量，yi表示作为训练标签的所述碰撞截面数据，σ(xi)表示全连接神经网络的输出。
8.一种分子碰撞截面的预测装置，其特征在于，包括：
生成模块，用于基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
计算模块，用于利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
训练模块，用于利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
预测模块，用于利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的分子碰撞截面的预测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的分子碰撞截面的预测方法。
CN202211218777.6A 2022-09-30 2022-09-30 分子碰撞截面的预测方法、装置、设备及存储介质 Pending CN115422817A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211218777.6A CN115422817A (zh) 2022-09-30 2022-09-30 分子碰撞截面的预测方法、装置、设备及存储介质
PCT/CN2023/072743 WO2024066143A1 (zh) 2022-09-30 2023-01-17 分子碰撞截面的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211218777.6A CN115422817A (zh) 2022-09-30 2022-09-30 分子碰撞截面的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115422817A true CN115422817A (zh) 2022-12-02

Family

ID=84207018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211218777.6A Pending CN115422817A (zh) 2022-09-30 2022-09-30 分子碰撞截面的预测方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115422817A (zh)
WO (1) WO2024066143A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066143A1 (zh) * 2022-09-30 2024-04-04 广东电网有限责任公司 分子碰撞截面的预测方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595820B (zh) * 2018-04-19 2021-01-22 广东电网有限责任公司电力科学研究院 一种分子电离碰撞截面的计算方法及装置
CN114207429A (zh) * 2019-04-15 2022-03-18 沃特世科技爱尔兰有限公司 用于预测离子迁移谱中的碰撞截面值的技术
CN112100896A (zh) * 2020-09-08 2020-12-18 东南大学 一种基于机器学习的气体分子电离碰撞截面预测方法
CN113345527B (zh) * 2021-05-28 2022-08-12 广东电网有限责任公司 一种基于电子群参数获取分子吸附截面的方法
CN113971987A (zh) * 2021-10-14 2022-01-25 国网安徽省电力有限公司电力科学研究院 一种乙醇中气泡放电等离子体动态演化的模拟方法
CN115422817A (zh) * 2022-09-30 2022-12-02 广东电网有限责任公司 分子碰撞截面的预测方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024066143A1 (zh) * 2022-09-30 2024-04-04 广东电网有限责任公司 分子碰撞截面的预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2024066143A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
CN112101190B (zh) 一种遥感图像分类方法、存储介质及计算设备
Tong et al. A hybrid algorithm for reliability analysis combining Kriging and subset simulation importance sampling
Christen et al. A general purpose sampling algorithm for continuous distributions (the t-walk)
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
Diefenbacher et al. L2LFlows: generating high-fidelity 3D calorimeter images
CN110070918B (zh) 基于分子间相互作用的粗粒化方法
CN115422817A (zh) 分子碰撞截面的预测方法、装置、设备及存储介质
Chen et al. Vaidya walk: A sampling algorithm based on the volumetric barrier
CN112766537A (zh) 一种短期电负荷预测方法
Anderson et al. Certifying neural network robustness to random input noise from samples
Zheng et al. Modulus-based successive overrelaxation method for pricing American options
Araki et al. Adaptive Markov chain Monte Carlo for auxiliary variable method and its application to parallel tempering
US11163532B2 (en) Solving multivariate quadratic problems using digital or quantum annealing
Willemain et al. A method to generate autocorrelated uniform random numbers
Liang et al. Multidisciplinary optimization under uncertainty using Bayesian network
CN115984025A (zh) 基于深度学习图网络模型的影响力传播估计方法及系统
US20200133995A1 (en) Solving lattice problems using annealing
US20240103920A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
CN112347242B (zh) 摘要生成方法、装置、设备及介质
CN114897134A (zh) 一种通过数据增强估计神经网络不确定性的方法及系统
Tegin et al. Straggler mitigation through unequal error protection for distributed approximate matrix multiplication
Xhako et al. Fast algorithms for simulating chiral fermions in U (1) lattice gauge theory
Kim et al. Maximum composite likelihood estimation for spatial extremes models of Brown–Resnick type with application to precipitation data
Geraldo et al. A Fast and Efficient Estimation of the Parameters of a Model of Accident Frequencies via an MM Algorithm
Navin et al. Modeling of random variable with digital probability hyper digraph: data-oriented approach

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