申请/专利权人：中南大学

申请日：2023-11-20

公开（公告）日：2024-04-16

公开（公告）号：CN117524347B

主分类号：G16C20/30

分类号：G16C20/30;G16C20/10;G16C20/70;G16C10/00;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种机器学习加速的酸根阴离子水化结构第一性原理预测方法，该方法包括如下步骤：S1、构建离子水化结构M_mH2O，并进行优化；S2、对优化后的离子水化结构进行扰动，生成训练数据集；S3、对所述训练数据集进行机器学习力场训练，建立机器学习模型；S4、对所述机器学习模型进行分子动力学模拟，并标识出力偏差在预设范围内的原子结构作为候选构型；S5、将通过验证的所述候选构型合并到后续迭代训练集中，以进一步完善和训练机器学习模型直至模型收敛，得到精准的深度势能模型；S6、对深度势能模型进行深度学习加速的分子动力学模拟，最终得到酸根阴离子的水化结构。本发明在保证计算精度的前提下，极大的提升了计算效率，降低了计算成本。

主权项：1.一种机器学习加速的酸根阴离子水化结构第一性原理预测方法，其特征在于，包括如下步骤：S1、构建离子水化结构M_mH2O，并进行优化；S2、对优化后的离子水化结构进行扰动，生成训练数据集；S3、对所述训练数据集进行机器学习力场训练，建立机器学习模型；S4、对所述机器学习模型进行分子动力学模拟，并标识出力偏差在预设范围内的原子结构作为候选构型；S5、将通过验证的所述候选构型合并到后续迭代的训练集中，以进一步完善和训练机器学习模型，直至模型收敛，得到精准的深度势能模型；S6、对得到的深度势能模型进行深度学习加速的分子动力学模拟，最终得到酸根阴离子的水化结构；步骤S1中，所述离子水化结构的构建方法为：首先创建一个周期性的模拟盒，在盒子的中心放置酸根离子M，随后将m个H2O均匀且无序地分布在酸根离子M周围，最后在盒子的边缘放置碱金属离子以平衡电荷，从而完成离子初始水化结构M_mH2O的构建，其中，m的取值为40以上；在进行离子水化结构的构建前，还进行了预先优化，所述预先优化的方法为：使用ωB97XD、B3LYP或PBE泛函配备def2-TZVP、def2-SVP、def2-QZVP、def2-TZVPP、cc-pVDZ-PP或aug-cc-pVDZ-PP基组，对与离子M周围最紧密层的n个H2O组成的简单水化结构M_nH2O进行结构预先优化，得到酸根离子M的紧密层水化结构，其中n的取值不超过10；其余（m-n）个H2O均匀无序的分布在M_nH2O的周围，从而完成离子初始水化结构M_mH2O的构建；随后，采用ViennaAbinitioSimulationPackage软件包，对所构建的离子水化结构进行结构优化；步骤S2中，所述扰动包括改变原子坐标位置和模拟盒子的尺寸，生成A个不同的扰动结构，每个扰动结构在298.15K的NVT系综中，以0.5~1.5fs的时间步长对每个构型记录B帧，进行短时的从头算分子动力学模拟，生成A×B帧的训练数据集，作为DeepMD模型的基础训练数据；其中A的取值范围为15~30、B的取值范围为15~25。

全文数据：

权利要求：

百度查询： 中南大学 机器学习加速的酸根阴离子水化结构第一性原理预测方法

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