公开(公告)号：CN117524347A

公开(公告)日：2024-02-06

申请号：CN202311547565.7

申请日：2023-11-20

申请人： 中南大学

发明人： 张晨阳 ,  韩明君 ,  樊东 ,  孙伟 ,  李洁 ,  刘思源 ,  王嵘 ,  裴勇 ,  陈建华

IPC分类号： G16C20/30 ,  G16C20/10 ,  G16C20/70 ,  G16C10/00 ,  G06N20/00

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。

公开(公告)号：CN117524347B

公开(公告)日：2024-04-16

申请号：CN202311547565.7

申请日：2023-11-20

申请人： 中南大学

发明人： 张晨阳 ,  韩明君 ,  樊东 ,  孙伟 ,  李洁 ,  刘思源 ,  王嵘 ,  裴勇 ,  陈建华

IPC分类号： G16C20/30 ,  G16C20/10 ,  G16C20/70 ,  G16C10/00 ,  G06N20/00

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。

公开(公告)号：CN117457089A

公开(公告)日：2024-01-26

申请号：CN202311710718.5

申请日：2023-12-13

申请人： 中南大学

发明人： 张晨阳 ,  樊东 ,  韩明君 ,  裴勇 ,  孙伟 ,  李洁 ,  王嵘 ,  刘思源 ,  陈建华

IPC分类号： G16C10/00 ,  G06F18/214 ,  G06N3/042 ,  G06N3/08

摘要： 本发明涉及一种基于密度泛函理论(DFT)和机器学习(ML)的技术方法，特别是图神经网络，用于矿物浮选药剂高通量筛选和靶向设计的自动化计算方法。首先，通过DFT计算获取捕收剂分子与特定矿物表面的相互作用信息。本发明通过计算任务的自动准备、提交和监控，从而大大提高了计算效率和准确度。采用图神经网络模型，利用DFT计算结果作为训练数据，训练模型以预测捕收剂分子在矿物表面的吸附能。通过机器学习模型的预测，可以在不进行实际DFT计算的情况下，快速评估大量不同捕收剂分子的效能，从而实现高通量的捕收剂筛选。最终，通过该自动化计算方法，能够为矿物浮选药剂的设计和筛选提供一种高效、低成本且准确的技术方案。