申请/专利权人：烟台国工智能科技有限公司

申请日：2024-01-19

公开（公告）日：2024-04-09

公开（公告）号：CN117594157B

主分类号：G16C20/50

分类号：G16C20/50;G16C20/70;G06N3/045;G06N3/084;G06N3/092

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：基于强化学习的单一体系的分子生成方法及装置，属于分子生成预测技术领域，该方法对收集的分子表达式进行去重处理得到分子数据集；对分子数据集通过原子替换的方式进行扩充，得到扩充数据集并进行去重处理；通过去重处理后的扩充数据集，对Transformer模型进行预训练，得到预训练模型V1；对预训练模型V1进行强化学习处理，得到预训练模型V2；对预训练模型V2进行微调处理，微调处理过程中定量挑选满足条件的分子参与到预训练模型V2的训练，得到微调处理后的预训练模型V3，通过预训练模型V3进行单一体系的新分子生成。本发明显著提高了满足生产要求的新分子的发现效率，大大缩短化学领域内实验室新分子研发的周期。

主权项：1.基于强化学习的单一体系的分子生成方法，其特征在于，包括：从公开数据库中收集分子表达式，对收集的所述分子表达式进行去重处理得到分子数据集；对所述分子数据集通过原子替换的方式进行扩充，得到扩充数据集，对所述扩充数据集进行去重处理；通过去重处理后的所述扩充数据集，对Transformer模型进行预训练，得到预训练模型V1；对所述预训练模型V1进行强化学习处理，得到预训练模型V2；对所述预训练模型V2进行微调处理，微调处理过程中定量挑选满足条件的分子参与到所述预训练模型V2的训练，得到微调处理后的预训练模型V3，通过所述预训练模型V3进行单一体系的新分子生成；通过去重处理后的所述扩充数据集，对Transformer模型进行预训练，得到预训练模型V1的步骤包括：将所述分子数据集中的smiles分子表达式编码为矩阵；将编码矩阵输入Transformer模型并得到分子编码输出；利用交叉熵损失计算分子编码输出与正确smiles分子表达式间的损失值；并采用反向传播更新Transformer模型参数；当Transformer模型经过若干轮次训练损失值趋于稳定时，保存当前Transformer模型作为预训练模型V1；对所述预训练模型V1进行强化学习处理，得到预训练模型V2的步骤包括：利用所述预训练模型V1生成当前批次的分子的smiles表达式；按照设定的评分标准对生成的当前批次的smiles表达式进行评估打分；将评估分数作为所述预训练模型V1的奖励对所述预训练模型V1的权重进行训练；进行若干轮次迭代训练后，保存最后一轮的所述预训练模型V1作为预训练模型V2；设定的评分标准score为： 式中，similarity代表生成分子的smiles表达式与单一体系中分子的相似性；当smiles有效时，score赋值为similarity相似度，无效时，score赋值为0；利用交叉熵损失计算分子编码输出与正确smiles分子表达式间的损失值loss1的公式为：loss1＝1+score*loss`1；对所述预训练模型V2进行微调处理的步骤包括：将所述预训练模型V2的参数分别赋给Agent模型和Prior模型，使所述Agent模型参与训练，更新所述预训练模型V2的参数，使所述Prior模型梯度冻结不参与参数更新；利用Agent模型生成分子的smiles表达式，筛选满足设定条件的smiles表达式，当数量满足设定阈值时，停止生成；并通过Prior模型生成同等数量的smiles表达式；将所有生成的smiles表达式汇总，然后输入Agent模型和Prior模型，分别得到Agent模型的输出likelihoodagent和Prior模型的likelihoodprior，并利用Agent模型的输出likelihoodagent和Prior模型的输出likelihoodprior构建损失函数；对损失值取均值，并采用反向传播更新所述预训练模型V2的参数，当所述预训练模型V2经过训练损失值趋于稳定时，保存当前模型作为预训练模型V3；利用Agent模型的输出likelihoodagent和Prior模型的输出likelihoodprior构建的损失函数loss2的公式为：loss2＝likelihoodagent-likelihoodprior2式中，likelihoodagent为Agent模型计算出的smiles表达式的损失值；likelihoodprior为Prior模型计算出的smiles表达式的损失值。

全文数据：

权利要求：

百度查询： 烟台国工智能科技有限公司 基于强化学习的单一体系的分子生成方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD