CN113990415A - 一种基于神经网络的三维催化材料催化特性筛选*** - Google Patents
一种基于神经网络的三维催化材料催化特性筛选*** Download PDFInfo
- Publication number
- CN113990415A CN113990415A CN202111637075.7A CN202111637075A CN113990415A CN 113990415 A CN113990415 A CN 113990415A CN 202111637075 A CN202111637075 A CN 202111637075A CN 113990415 A CN113990415 A CN 113990415A
- Authority
- CN
- China
- Prior art keywords
- module
- catalytic
- catalytic material
- catalyst material
- neural network
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 98
- 230000003197 catalytic effect Effects 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 239000003054 catalyst Substances 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 2
- 238000006555 catalytic reaction Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 claims 1
- 238000003775 Density Functional Theory Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Catalysts (AREA)
Abstract
本发明公开了一种基于神经网络的三维催化材料催化特性筛选***，包括催化剂材料浅层特性采样模块、催化剂材料结构信息嵌入模块、催化材料性质学习模块、催化材料隐层信息表示模块和催化材料多任务筛选模块，所述催化剂材料浅层特性采样模块包括中心原子投影和邻接结构采样，所述催化材料性质学习模块包括通过N层的Graph Transformer神经网络学习催化材料结构信息，本发明的有益效果：与传统的DFT方法预测分子性质相比通过本***对分子性质筛选所花费的时间具有显著的减少、所花费的算力成本显著减少。
Description
技术领域
本发明涉及材料性质检测技术领域，具体是一种基于神经网络的三维催化材料催化特性筛选***。
背景技术
材料科学是现代工业的前提，催化剂作为材料科学的一个重要领域，一直是研究的热点。而传统的催化剂筛选方法费时且昂贵。如基于DFT方法的催化材料方法往往需要数月时间去计算材料性质。随着数据驱动与人工智能（AI）相结合的方法在各种应用中得到了越来越多的关注并取得了巨大的成功，本***基于此类创新的第四范式提出了一个基于神经网络的三维化学材料筛选***。
发明内容
本发明的目的在于提供一种基于神经网络的三维催化材料催化特性筛选***，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：一种基于神经网络的三维催化材料催化特性筛选***，包括催化剂材料浅层特性采样模块、催化剂材料结构信息嵌入模块、催化材料性质学习模块、催化材料隐层信息表示模块和催化材料多任务筛选模块，所述催化剂材料浅层特性采样模块包括中心原子投影模块和邻接结构采样模块，所述催化剂材料结构信息嵌入模块包括基础结构信息拼接模块、原子基础属性嵌入模块、分子全局结构嵌入模块和相对结构嵌入模块，所述催化材料性质学习模块包括通过N层的Graph Transformer神经网络学习催化材料结构信息，所述催化材料隐层信息表示模块将催化材料性质学习模块输出的隐层催化材料性质信息进行解码，并将解码信息进行融合表示，所述催化材料多任务筛选模块将催化材料隐层信息表示模块输出的催化材料隐层性质表示并融合基础浅层结构信息。
作为本发明进一步的方案：所述催化剂材料浅层特性采样模块负责将分子三维结构图映射到二维结构图，并依次对每个原子为中心及其直接相连的原子进行采样并映射采样为份数与原子数量相同的数个子结构。
作为本发明进一步的方案：所述催化剂材料结构信息嵌入模块负责将原始数据预处理为计算机可识别的数据，输入经过催化剂材料浅层特性采样模块处理后的子结构，通过基础结构信息拼接模块将子结构进行拆分、拼接SEG标识作为间隔标识。
作为本发明进一步的方案：所述催化材料性质学习模块用于对催化剂材料结构信息嵌入模块输出的数据进行神经网络训练并输出相应数量的向量给催化材料隐层信息表示模块。
作为本发明进一步的方案：所述催化材料多任务筛选模块通过更换不同的训练目标可以匹配不同的***任务。
与现有技术相比，本发明的有益效果是：与传统的DFT方法预测分子性质相比通过本***对分子性质检测所花费的时间具有显著的提升。
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为本发明流程图。
图中：1、催化剂材料浅层特性采样模块；2、催化剂材料结构信息嵌入模块；3、催化材料性质学习模块；4、催化材料隐层信息表示模块；5、催化材料多任务筛选模块；6、中心原子投影模块；7、邻接结构采样模块；8、基础结构信息拼接模块；9、原子基础属性嵌入模块；10、分子全局结构嵌入模块；11、相对结构嵌入模块。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种基于神经网络的三维催化材料催化特性筛选***，包括催化剂材料浅层特性采样模块1、催化剂材料结构信息嵌入模块2、催化材料性质学习模块3、催化材料隐层信息表示模块4和催化材料多任务筛选模块5，所述催化剂材料浅层特性采样模块1包括中心原子投影模块6和邻接结构采样模块7，所述催化剂材料结构信息嵌入模块2包括基础结构信息拼接模块8、原子基础属性嵌入模块9、分子全局结构嵌入模块10和相对结构嵌入模块11，所述催化材料性质学习模块3包括通过N层的GraphTransformer神经网络学习催化材料结构信息，所述催化材料隐层信息表示模块4将催化材料性质学习模块3输出的隐层催化材料性质信息进行解码，并将解码信息进行融合表示，所述催化材料多任务筛选模块5将催化材料隐层信息表示模块4输出的催化材料隐层性质表示并融合基础千层结构信息。
实施例：
通过催化剂材料浅层特性采样模块1将分子进行投影为一个无向图，其中包含的原子为图节点，分子键为图的边，完成投影后，分子将以包含的每个原子为中心进行拆分分子结构，每个子结构包含一个中心原子和若干直接相连的分子键和邻接原子；
在催化剂材料结构信息嵌入模块2中，对拆分的子结构中的原子，转换为64维向量并用Ⅰ表示，一个子结构转换为一个中心原子向量和若干个邻接原子向量，然后基于原始的分子图WL-Absolute Position算法计算每个原子在分子图中的绝对位置信息，编码为64维向量II，随后对中心原子与邻接原子直接对键能进行编码为64维向量Ⅲ，最终将上述三个向量相加的到一个材料分子结构的嵌入信息表示矩阵并整体传输给催化材料性质学习模块3；
催化材料性质学习模块3会通过N层的Graph Transformer 神经网络来学习催化材料结构信息，挖掘分子结构与属性间的高维关系并通过隐层表达的方式传递给催化材料隐层信息表示模块4；
催化材料隐层信息表示模块4会对催化材料性质学习模块3传递过来的信息进行解码并融合基础层结构信息经过残差网络处理，最后将其传输给催化材料多任务筛选模块5，所述催化材料多任务筛选模块5神经网络输出网络预测的结果，更换不同的激活函数可以匹配多项任务：催化性能预测，分子表示复原。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于神经网络的三维催化材料催化特性筛选***，包括催化剂材料浅层特性采样模块（1）、催化剂材料结构信息嵌入模块（2）、催化材料性质学习模块（3）、催化材料隐层信息表示模块（4）和催化材料多任务筛选模块（5），其特征在于：所述催化剂材料浅层特性采样模块（1）包括中心原子投影模块（6）和邻接结构采样模块（7），所述催化剂材料结构信息嵌入模块（2）包括基础结构信息拼接模块（8）、原子基础属性嵌入模块（9）、分子全局结构嵌入模块（10）和相对结构嵌入模块（11），所述催化材料性质学习模块（3）包括通过N层的Graph Transformer神经网络学习催化材料结构信息，所述催化材料隐层信息表示模块（4）将催化材料性质学习模块（3）输出的隐层催化材料性质信息进行解码，并将解码信息进行融合表示。
2.根据权利要求1所述的一种基于神经网络的三维催化材料催化特性筛选***，其特征在于：所述催化剂材料浅层特性采样模块（1）负责将分子三维结构图映射到二维结构图，并依次对每个原子为中心及其直接相连的原子进行采样并映射采样为份数与原子数量相同的数个子结构。
3.根据权利要求1所述的一种基于神经网络的三维催化材料催化特性筛选***，其特征在于：所述催化剂材料结构信息嵌入模块（2）负责将原始数据预处理为计算机可识别的数据，输入经过催化剂材料浅层特性采样模块（1）处理后的子结构，通过基础结构信息拼接模块（8）将子结构进行拆分、拼接SEG标识作为间隔标识。
4.根据权利要求1所述的一种基于神经网络的三维催化材料催化特性筛选***，其特征在于：所述催化材料性质学习模块（3）用于对催化剂材料结构信息嵌入模块（2）输出的数据进行神经网络训练并输出相应数量的向量给催化材料隐层信息表示模块（4）。
5.根据权利要求1所述的一种基于神经网络的三维催化材料催化特性筛选***，其特征在于：所述催化材料多任务筛选模块（5）通过更换不同的训练目标可以匹配不同的***任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111637075.7A CN113990415A (zh) | 2021-12-30 | 2021-12-30 | 一种基于神经网络的三维催化材料催化特性筛选*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111637075.7A CN113990415A (zh) | 2021-12-30 | 2021-12-30 | 一种基于神经网络的三维催化材料催化特性筛选*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113990415A true CN113990415A (zh) | 2022-01-28 |
Family
ID=79734920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111637075.7A Pending CN113990415A (zh) | 2021-12-30 | 2021-12-30 | 一种基于神经网络的三维催化材料催化特性筛选*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113990415A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108079934A (zh) * | 2017-11-30 | 2018-05-29 | 山东大学 | 一种复合材料及其制备方法 |
| CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和*** |
| CN113241128A (zh) * | 2021-04-29 | 2021-08-10 | 天津大学 | 基于分子空间位置编码注意力神经网络模型的分子性质预测方法 |
| CN113299354A (zh) * | 2021-05-14 | 2021-08-24 | 中山大学 | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 |
-
2021
- 2021-12-30 CN CN202111637075.7A patent/CN113990415A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108079934A (zh) * | 2017-11-30 | 2018-05-29 | 山东大学 | 一种复合材料及其制备方法 |
| CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和*** |
| CN113241128A (zh) * | 2021-04-29 | 2021-08-10 | 天津大学 | 基于分子空间位置编码注意力神经网络模型的分子性质预测方法 |
| CN113299354A (zh) * | 2021-05-14 | 2021-08-24 | 中山大学 | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢新宇: "基于语义表示的催化剂材料筛选机制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 秦琦枫等: "深度神经网络在化学中的应用研究", 《江西化工》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126218A (zh) | 一种基于零样本学习的人体行为识别方法 | |
| Chen et al. | JSPNet: Learning joint semantic & instance segmentation of point clouds via feature self-similarity and cross-task probability | |
| CN111523420A (zh) | 基于多任务深度神经网络的表头分类与表头列语义识别方法 | |
| Shi et al. | Network embedding via community based variational autoencoder | |
| Khalyasmaa et al. | Review of the digital twin technology applications for electrical equipment lifecycle management | |
| Fang et al. | Collaborative filtering recommendation algorithm based on deep neural network fusion | |
| CN112397155A (zh) | 一种单步逆向合成方法及*** | |
| CN112836278A (zh) | 一种基于bim的智能工厂多源数据融合方法及装置 | |
| Liu et al. | The smart architect: Scalable ontology-based modeling of ancient Chinese architectures | |
| CN116469171A (zh) | 一种基于跨视图一致性挖掘的自监督骨架动作识别方法 | |
| CN113990415A (zh) | 一种基于神经网络的三维催化材料催化特性筛选*** | |
| CN103646194A (zh) | 一种基于形式化验证的同步数据流程序的可信排序方法 | |
| CN111159424B (zh) | 标注知识图谱实体的方法，装置，存储介质及电子设备 | |
| CN116108143A (zh) | 基于区块链技术的数字经济监测方法及其*** | |
| CN112612884A (zh) | 一种基于公共文本的实体标签自动化标注方法 | |
| CN108830030B (zh) | 原子类型定义***及其原子类型匹配方法 | |
| Kovalyov | Design and development of a power system digital twin: A model-based approach | |
| CN116757773A (zh) | 服装电子商务销售管理***及其方法 | |
| CN116129251A (zh) | 办公桌椅的智能化制造方法及其*** | |
| CN116403278A (zh) | 一种基于文本监督的人体动作识别方法 | |
| CN112991744B (zh) | 一种适用于长距离城市道路的自动驾驶决策方法及*** | |
| Guo et al. | 3d digital twin of intelligent transportation system based on road-side sensing | |
| Ahmad | Intelligent digital twin to make robot learn the assembly process through deep learning | |
| CN114297408A (zh) | 一种基于级联二进制标注框架的关系三元组抽取方法 | |
| Feng et al. | An Effective Digital Twin Modeling Method for Infrastructure: Application to Smart Pumping Stations |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |