8440

بررسي انتقال و گسترش پذيري انرژي پتانسيل مولكولي بر اساس مدل يادگيري عميق

1399

سيد مجيد هاشميان زاده

يادگيري عميق در بسياري از حوزه‌هاي علم و فن‌آوري به ويژه در بخش هاي تصويري، متون و شناخت گفتاري، تحولي ايجاد كرده‌است. در اين مقاله، ما نشان مي‌دهيم كه چگونه يك شبكه عصبي عميق (NN)در محاسبات DFT مكانيك كوانتومي (QM)مي‌تواند يك پتانسيل دقيق و قابل انتقال براي مولكول‌هاي آلي را فراهم كند. ما شبكه عصبي ANAKIN-ME (شبكه دقيق عصبي engINe براي انرژي‌هاي مولكولي) يا به طور اختصار ANI را معرفي مي‌كنيم. يادگيري عميق روشي جديد است كه با هدف توسعه پتانسيل‌هاي شبكه عصبي قابل انتقال طراحي شده‌است كه از يك نسخه اصلاح شده با دقت بالايي از توابع متقارن مطالعات Behler و Parrinello براي ساخت بردارهاي تك اتمي AEVs محيط اتمي (AEV)به عنوان يك نمايش مولكولي استفاده مي‌كنند، كه توانايي پرورش شبكه‌هاي عصبي با داده‌هايي را فراهم مي‌كنند كه هم فضاي تركيبي و هم ترتيبي را در بر مي‌گيرد. ما از ANI براي ساخت يك پتانسيل به نام ANI -1 استفاده كرديم، كه در زير مجموعه‌اي از پايگاه‌هاي داده اي GDB با 8 اتم سنگين آموزش داده شده است تا كل انرژي‌هاي آلي حاوي چهار نوع اتم : H، C، N و O. را پيش‌بيني كند. براي دستيابي به نمونه‌برداري از سطوح پتانسيل مولكولي، ما همچنين روش نمونه‌گيري مد عادي (NMS)براي ايجاد تركيبات مولكولي را پيشنهاد كرديم. ما از طريق يك سري مطالعات موردي نشان مي‌دهيم كه ANI – 1 در مقايسه با محاسبات DFT در بيشتر سيستم‌هاي مولكولي بزرگ‌تر (تا 54 اتم) نسبت به موارد موجود در مجموعه داده‌هاي آموزشي، دقيق تر است.

9/23/2020 12:00:00 AM

71216

1400/03/10

TRANSFERABLE AND EXTENSIBLE DEEP LEARNING-BASED MOLECULAR POTENTIALS

توابع تقارني , ميدان نيرو , يادگيري ماشين