-
公开(公告)号：CN119620694A
公开(公告)日：2025-03-14
申请号：CN202411526383.6
申请日：2024-10-30
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于深度强化学习的飞机结构装配变形实时控制方法，包括：基于工艺控制参数和对应的飞机结构变形场变量数据，以构建对应的映射关系模型；映射关系模型包括第一阶段和第二阶段，所述第一阶段包括卷积神经网络，所述卷积神经网络用于飞机结构变形场变量数据在高维表示与低维表示之间进行转换；基于该映射关系，构建变形控制强化学习模型，以控制参数为动作，以场变量的低维表示为状态，训练获得变形控制策略模型；将当前时刻的飞机结构变形场变量数据输入至变形控制策略模型中，以输出下一时刻的工艺控制参数。本发明提供的方法能够根据装配现场装配对象的实际状态实时生成控制参数以优化装配对象变形。
-
公开(公告)号：CN119227673A
公开(公告)日：2024-12-31
申请号：CN202411291165.9
申请日：2024-09-14
Applicant: 中国船舶集团有限公司第七一九研究所 , 浙江大学
IPC: G06F40/211 , G06F40/216 , G06F8/30 , G06N20/00
Abstract: 本申请属于软件工程和深度学习安全技术领域，尤其涉及一种基于补丁及大语言模型的深度学习库数值不稳定问题检测及修复方法。提取补丁的补丁描述及补丁中的程序语句，获取补丁相关程序切片；利用大语言模型对该补丁与数值不稳定问题的相关性进行判断，获取与数值不稳定问题相关的补丁；设计适用于应用大语言模型进行深度学习库数值不稳定问题检测的题词模板；利用最佳题词模板，识别深度学习库中的数值不稳定问题；查询与检测出的数值不稳定问题相似的历史补丁，确定其与当前数值不稳定问题的相似性；根据检测结果和相似补丁的分析结果，利用大语言模型生成针对检测出的数值不稳定问题的修复补丁，并提供修复方案。
-
公开(公告)号：CN119045217A
公开(公告)日：2024-11-29
申请号：CN202411455419.6
申请日：2024-10-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于硅光调制器的可编程信号处理芯片及控制方法。该芯片基于绝缘体上硅材料，利用半导体加工工艺制作，主要包含五个硅基端面耦合器、两个相同结构的硅基载流子耗尽型马赫曾德尔型推挽式调制器、以及8个相同结构的硅基消光比及中心谐振波长可调微环调制器。通过控制输入RF信号幅值、频率以及直流偏置电压大小来调控生成光频梳的梳齿数、谱线间距以及平坦度，通过调节后端级联微环调制器谐振峰与指定梳齿中心波长对齐，可以对光频梳整体调控。该芯片工作状态人为可调、可重构性强、集成度高，可用于产生高速窄带宽奈奎斯特脉冲序列以及波形整形、合成高频电信号、以及数字光通信等领域。
-
公开(公告)号：CN116935952B
公开(公告)日：2023-12-01
申请号：CN202311198677.6
申请日：2023-09-18
Applicant: 浙江大学杭州国际科创中心
IPC: G16B15/20 , G16B40/00 , G06N3/0455 , G06N3/042 , G06N3/08
Abstract: 本发明公开了基于图神经网络训练蛋白质预测模型的方法，该方法包括：将蛋白质对应的真实结构和真实序列共同作为第一训练样本，得到第一训练样本数据集；针对第一训练样本：利用图神经网络对第一训练样本中真实结构进行编码处理，得到预测的性质序列；基于序列解码器对预测的性质序列进行解码处理，得到蛋白质的预测序列；通过最小化预测的性质序列和真实性质序列之间的余弦距离，以及蛋白质的预测序列和真实序列之间的负对数似然构建第一损失函数，生成第一模型参数；基于若干个第一模型参数调节图神经网络的超参数，生成结构编码器。由此，能够实现基于结构的蛋白质从头设计，解决了现有技术中无法基于语言模型实现蛋白质逆折叠生成的问题。
-
公开(公告)号：CN116935952A
公开(公告)日：2023-10-24
申请号：CN202311198677.6
申请日：2023-09-18
Applicant: 浙江大学杭州国际科创中心
IPC: G16B15/20 , G16B40/00 , G06N3/0455 , G06N3/042 , G06N3/08
Abstract: 本发明公开了基于图神经网络训练蛋白质预测模型的方法，该方法包括：将蛋白质对应的真实结构和真实序列共同作为第一训练样本，得到第一训练样本数据集；针对第一训练样本：利用图神经网络对第一训练样本中真实结构进行编码处理，得到预测的性质序列；基于序列解码器对预测的性质序列进行解码处理，得到蛋白质的预测序列；通过最小化预测的性质序列和真实性质序列之间的余弦距离，以及蛋白质的预测序列和真实序列之间的负对数似然构建第一损失函数，生成第一模型参数；基于若干个第一模型参数调节图神经网络的超参数，生成结构编码器。由此，能够实现基于结构的蛋白质从头设计，解决了现有技术中无法基于语言模型实现蛋白质逆折叠生成的问题。
-
Patent Agency Ranking
公开(公告)号：CN116343922A
公开(公告)日：2023-06-27
申请号：CN202211734614.3
申请日：2022-12-31
Applicant: 浙江大学杭州国际科创中心
Abstract: 本发明公开了一种基于机器学习对多肽进行预测的方法，包括：对受体的PEX5的结合位点进行预测；构建多肽序列，并决定多肽的初始状态；生成多肽与PEX5结合位点碰撞模拟所需的空间；进行生成多肽与PEX5结合位点碰撞模拟；进行数据预处理；通过sklearn对已知分类的多肽进行学习，并输出准确率高的神经网络的组合；通过Pytorch的神经网络重构来自sklearn的神经网络，对已知分类的多肽进行学习后，预测未知分类的多肽，并输出确信度。本发明通过采用分子模拟等各种计算机模拟方法，结合机器学习实现对多肽做出精准的预测，能够充分的减少湿实验的数量级，从而降低成本提高效率。本发明方法同样可以用于其他功能性多肽、药物多肽与相应靶点的相互作用的筛选。
-
公开(公告)号：CN116013407A
公开(公告)日：2023-04-25
申请号：CN202211686617.4
申请日：2022-12-26
Applicant: 浙江大学杭州国际科创中心
IPC: G16B20/00 , G16B40/20 , G16B50/10 , G06F16/36 , G06F16/332 , G06F16/35 , G06F17/18 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于语言模型的性质解耦蛋白质生成方法，包括：依据氨基酸性质，构建氨基酸性质知识图谱；获取蛋白质数据，并将每条蛋白质数据按照氨基酸性质知识图谱解耦为氨基酸性质序列，并将氨基酸性质序列由性质空间映射到向量空间，得到氨基酸性质序列的向量表示；利用氨基酸性质序列的向量表示对语言模型进行基于因果关系预测任务的建模和训练，来优化语言模型的参数；基于参数优化的语言模型进行蛋白质的生成，该方法能够基于氨基酸性质生成特定的蛋白质。
-
公开(公告)号：CN115810392A
公开(公告)日：2023-03-17
申请号：CN202211615708.9
申请日：2022-12-15
Applicant: 浙江大学
IPC: G16B20/30 , G06F16/36 , G06F18/214
Abstract: 本发明公开了一种融合知识图谱的基因序列预训练方法和装置，通过考虑基因之间调控关系构建基因调控图谱，并在基因调控图谱中增加motif和bin来构建基于基因调控网络的知识图谱，进而学习基因在知识图谱中的基因表示，并将知识图谱中的基因表示作为特殊token引入基因的基因序列中，提升了MLM模型对mask的预测准确性，并得到准确性的基因表示，将序列中学到的基因表示作为扩充基因调控图谱中基因的初始向量，再次经过可插拔表示模型提取基因表示，这样交替过程实现了知识图谱信息和基因序列信息的交互，利用交互训练的MLM模型提取基因表示，能够提升进而提升基因相关性质预测的准确性。
-
公开(公告)号：CN115713117A
公开(公告)日：2023-02-24
申请号：CN202211484021.6
申请日：2022-11-24
Applicant: 浙江大学杭州国际科创中心
Abstract: 本发明公开了一种基于狄利克雷过程的持续元学习方法和装置，包括：构建至少1个独立的元知识分布作为初始元知识分布；缓存当前时刻顺序到达的数据，基于初始元知识分布利用狄利克雷过程动态为当前时刻的数据增加新元知识分布的个数，并随机初始化新元知识分布；通过贝叶斯持续学习方法，将前一时刻元知识分布的后验作为当前时刻元知识分布的先验，根据贝叶斯法则在缓存的数据流中进行元知识分布的迭代更新，其中，元知识分布包括初始元知识分布和每时刻增加的新元知识分布；构建更新的元知识分布与目标任务的对应关系，依据对应关系为目标任务的对应模型进行元知识的初始化，然后利用少量带标签数据对模型进行学习，得到能够实现预测的模型。
-
公开(公告)号：CN114678061A
公开(公告)日：2022-06-28
申请号：CN202210122014.5
申请日：2022-02-09
Applicant: 浙江大学杭州国际科创中心
Abstract: 本发明公开了一种基于预训练语言模型的蛋白质构象感知表示学习方法，包括：获取由氨基酸序列组成的蛋白质，根据蛋白质构象构建不同数据集，为每类蛋白质构象定义提示符；基于预训练语言模型构建表示学习模块，用于将每类提示符的嵌入表示融合到蛋白质的嵌入表示，以得到提示符标识下的蛋白质嵌入表示；构建任务模块，用于针对每类蛋白质构象对应的任务，基于提示符标识下的蛋白质嵌入表示进行任务预测；基于任务预测结果和标签构建每类任务的损失函数，结合所有类任务的损失函数和不同数据集，更新表示学习模块和任务模块的模型参数；模型参数更新结束后，提取表示学习模块作为蛋白质表示模块。该方法能够得到不同构象下的蛋白质表示。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.034 seconds)
