22391

بررسي ثابت هاي نيروي درون مولكولي در هيدروكربن خطي با كمك يادگيري ماشين

كارشناسي ارشد

شيمي فيزيك

98-99

1399/5/21

دكتر سيد مجيد هاشميان زاده

شيمي

يادگيري عميق باعث انقلابي بزرگ در بسياري از شاخه هاي علم و فناوري ، به ويژه تصوير ، متن و تشخيص گفتار شده است. علوم محاسباتي شيمي نيز از قضيه مستثنا نبوده و دستخوش تغييرات و پيشرفت هاي زيادي در اين زمينه شده است. در اين تحقيق ، چگونگي آموزش يك شبكه عصبي عميق با كمك محاسبات مكانيك كوانتومي و بخصوص تئوري تابعي چگالي نشان داده شده است. اين شبكه عصبي مي تواند يك پتانسيل دقيق و قابل انتقال براي سيستم هاي شيميايي بخصوص مولكولهاي آلي را بياموزد. در اينجا به طور خلاصه مدل پتانسيل ANI معرفي و نحوه استفاده از آن تشريح شده است. ANI روشي جديد است كه با هدف توسعه پتانسيل هاي شبكه عصبي قابل انتقال طراحي شده است. اين مدل از يك نسخه تغيير يافته از توابع تقارن بهلر و پارلينو براي ساخت بردارهاي محيطي تك اتمي به عنوان يك نمايش مولكولي استفاده مي كند. اين بردارهاي محيطي تك اتمي ما را قادر ساخته كه شبكه هاي عصبي را آموزش دهيم كه هم شامل فضاي configurational و هم conformational ميباشند. حاصل تئوري ANI ساختن پتانسيل هايي به نام ANI-1 است كه از زير مجموعه اي از بانكهاي اطلاعاتي GDB با حداكثر 8 اتم سنگين به منظور پيش بيني انرژي كل براي مولكولهاي حاوي چهار نوع اتم آموزش داده شده است: H، C، N و O. طبق مطالعات انجام گرفته ، مدل ANI-1 در مقايسه با محاسبات كوانتومي تئوري تابعي چگالي مرجع در سيستمهاي مولكولي بسيار بزرگتر نسبت به مواردي كه در مجموعه دادههاي آموزشي ارائه شده ، از نظر شيميايي بسيار دقيق عمل ميكند. در ادامه با كمك اين مدل ساختار n-hexane به صورت دقيق بررسي و با خروجي محاسبات كوانتومي مقايسه شده. مقادير انرژي و فركانس جهت ارزيابي مدل با خروجي محاسبات كوانتومي بررسي و مقايسه شدند. در ادامه سطح انرژي پتانسيل براي تعدادي از تورشن هاي مهم در ساختار هاي n-hexane ، 2-methylhexane و 3-methylhexane اسكن شده و راهكار جديدي براي بهبود و توسعه ميدان هاي نيروي كلاسيكي ارائه شده است.

1399/06/04

Investigation of intramolecular force constants in linear hydrocarbons by using machine learning

8/12/2021 12:00:00 AM

Deep learning caused a huge revolution in many aspects of science, image, text, and speech recognition. Computational sciences are not an exception in this revolution. In this research, we demonstrate how a deep learning model is trained using quantum mechanical and especially DFT calculation data. This neural network can learn an accurate and transferable potential for many systems, especially organic molecules. Here the ANI model is introduced and working with this model is described. ANI is a new method designed to develop transferable potentials neural networks. This model uses a modified version of the Behler and Parrinello symmetry functions to construct single-atom atomic environment vectors as a molecular representation. These atomic environmental vectors enable us to train neural networks that include both configurational and conformational space. The result of ANI theory is the creation of potentials called ANI-1, which is trained from a subset of GDB databases with up to 8 heavy atoms to predict total energy for molecules containing four types of atoms: H, C, N, and O. According to studies, the ANI-1 model is chemically accurate compared to quantum computations of reference density functional theory in much larger molecular systems than those presented in the training data set. Then, with the help of this model, the structure of n-hexane is studied in detail and compared with the output of quantum computing. Energy and frequency values were evaluated and compared with the output of quantum computing to evaluate the model. In the following, the potential energy levels for a number of important torsions in n-hexane, 2-methylhexane and 3-methylhexane structures are scanned and a new solution is proposed to improve and develop the classical force fields.