一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115910233A(43)申请公布日2023.04.04(21)申请号202211558957.9(22)申请日2022.12.06(71)申请人浙江工业大学地址310014浙江省杭州市下城区潮王路18号(72)发明人佘远斌张鑫苏安张丞玮(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师陈升华(51)Int.Cl.G16C20/30(2019.01)G16C20/50(2019.01)G16C20/70(2019.01)G16C60/00(2019.01)G06N3/096(2023.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法(57)摘要本发明公开了一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，首先基于卟啉框架设计了新的卟啉结构，用DFT方法计算了新设计卟啉的HOMO/LUMO能级，构建了一个卟啉数据集。然后用开源的计算材料库中的卟啉信息对深度学习模型进行预训练，得到预训练模型，再在卟啉数据集上用微调方法进行迁移学习，得到可预测卟啉HOMO/LUMO能级的深度学习模型。本发明结合深度学习模型和迁移学习方法预测卟啉HOMO/LUMO能级，仅依赖于卟啉的分子简写式SMILES和数据信息文件，就能高效准确地预测出给定卟啉的HOMO/LUMO能级，提高了预测的精度和效率。CN115910233ACN115910233A权利要求书1/1页1.一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，包括如下步骤：1)使用计算机语言Python对开源的计算材料库中的卟啉信息进行读写，将读写到的数据进行清洗、重构处理，得到卟啉分子的化学结构式代号和HOMO/LUMO能级数据；将卟啉分子的化学结构式代号转化为对应的分子简写式SMILES，通过分子简写式SMILES得到卟啉分子结构，再从数据库中得到卟啉分子结构的HOMO/LUMO能级数据；2)以卟啉分子结构为主体框架，通过不同的金属和吸供电子基团组合成不同的卟啉结构，用密度泛函理论方法计算出设计构造的卟啉结构的HOMO/LUMO能级，整理成一个卟啉数据集用于迁移学习；3)利用步骤1)清洗后的计算材料库中的卟啉信息对深度学习模型进行预训练，得到预训练模型；4)使用步骤2)得到的卟啉数据集对步骤3)得到的预训练模型进行微调，对深度学习模型的学习率、训练轮次、批量大小三个参数进行调整，得到可预测卟啉HOMO/LUMO能级性能好的模型；5)将可预测卟啉HOMO/LUMO能级性能好的模型用于预测测试集中的卟啉的HOMO/LUMO能级，获得待预测的卟啉的HOMO/LUMO能级。2.根据权利要求1所述的基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，其特征在于，步骤2)中，以卟啉分子结构为主体框架具体为：以卟啉分子结构为母结构。3.根据权利要求1所述的基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，其特征在于，步骤2)中，所述的金属为过渡金属。4.根据权利要求1所述的基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，其特征在于，步骤2)中，用密度泛函理论方法计算出设计构造的卟啉结构的HOMO/LUMO能级，整理成一个卟啉数据集用于迁移学习，具体包括：通过不同的卟啉结构构建出一个卟啉数据集，卟啉数据集中每一个卟啉的SMILES表达式，通过密度泛函理论方法计算得到卟啉数据集中每一个卟啉的HOMO/LUMO能级数据，整理成一个完整的卟啉数据集用于迁移学习。5.根据权利要求4所述的基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，其特征在于，步骤2)中，迁移学习采用微调方法。6.根据权利要求1所述的基于深度迁移学习预测卟啉HOMO/LUMO能级的方法，其特征在于，步骤3)中，所述的深度学习模型为图卷积神经网络D‑MPNN模型。2CN115910233A说明书1/4页一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法技术领域[0001]本发明涉及功能材料智能预测技术领域，具体涉及一种基于深度迁移学习预测卟啉HOMO/LUMO能级的方法。背景技术[0002]日益增长的化石燃料消耗产生了大量的温室气体‑二氧化碳(CO2)，导致了严重的能源危机和环境污染问题。清洁丰富的太阳能的转换和储存是利用太阳能解决能源危机的关键，受自然界绿色植物光合作用的启发，利用光催化将太阳能转化为化学物质中储存的能量对于人类可持续发展至关重要。CO2是非常稳定的分子并且其还原过程涉及到多电子、多质子过程，甚至还有复杂的竞争反应和选择性的问题，近年来，卟啉经常被用作光催化材料，以提高光还原体系的光吸收能力和反应选择性。卟啉分子材料有良好的CO2吸附催化性能。中心金