基于机器学习的分子性质预测研究

发布时间：2023-08-30 03:17

　　分子属性预测是一项基础而重要的工作,受到跨领域的研究者的广泛关注;并在包括药物设计,材料发现,食品开发等多个领域有着广泛的应用。然而,传统的基于密度泛函理论的方法因为其极高的计算消耗,而无法被应用到大数据集上去。此外,也是由于这种较高的计算代价,使得已有数据集中,带标签数据较少,而无标签数据较多。本文首先提出了一种具有泛化性的多层级图卷积神经网络用于分子属性预测。特别的,该模型将每个分子表示为一个图以保存其内部结构。此外,这个精心设计的神经网络能够依照分子内多层级相互作用逐层提取分子的构成和空间表征。因此,就可以利用这种多层级表征来进行属性预测。实验证明本文提出的方法能够在多个数据集上取得最好的预测精度,并在迁移性和泛化性上显著优于其他方法。接着,为了解决分子属性预测中带标签数据不够的问题,本文提出了一个新颖的主动半监督图神经网络框架,它能够有效融合带标签数据和无标签数据。该框架可以看作是一个教师-学生框架,其中教师模型和学生模型交替运行并通过权重迁移进行训练加速。此外,该框架还提出了一个基于主动学习的策略来提高标签效率。本文在不同的实验设置下进行了周密的实验,实验结果表现出模型出色的...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 研究内容
        1.2.1 分子属性预测模型
        1.2.2 针对分子属性预测的主动半监督学习框架
        1.2.3 有机半导体材料属性预测工作系统
    1.3 主要贡献
    1.4 组织结构
第2章 相关工作
    2.1 分子属性预测模型
        2.1.1 密度泛函分析
        2.1.2 传统机器学习
        2.1.3 深度神经网络
    2.2 半监督主动学习
        2.2.1 半监督表示学习
        2.2.2 主动学习
第3章 多层级图卷积神经网络
    3.1 问题定义
    3.2 模型结构
        3.2.1 总览
        3.2.2 嵌入层
        3.2.3 径向基函数层
        3.2.4 相互作用层
        3.2.5 读出层
    3.3 模型分析
        3.3.1 泛化性
        3.3.2 迁移性
        3.3.3 时间复杂度
    3.4 实验
        3.4.1 数据集
        3.4.2 实验设置
        3.4.3 基线模型
        3.4.4 实验结果
    3.5 小结
第4章 针对分子属性预测的主动半监督学习框架
    4.1 问题定义
    4.2 主动半监督图网络
        4.2.1 整体框架
        4.2.2 半监督教师模型
        4.2.3 半监督学生模型
        4.2.4 用于数据筛选的主动学习
        4.2.5 总结与讨论
    4.3 实验
        4.3.1 数据集
        4.3.2 实验设置
        4.3.3 有效性实验
        4.3.4 效率实验
        4.3.5 消融实验
        4.3.6 实验可视化
第5章 有机半导体材料属性预测工作系统
    5.1 数据生成
    5.2 模型验证
        5.2.1 实验设置
        5.2.2 模型效果
        5.2.3 对比浅层神经网络
        5.2.4 跃迁偶极矩预测和电荷转移特性
    5.3 在吸收光谱上的应用
第6章 总结与展望
    6.1 研究内容总结
        6.1.1 多层级图卷积神经网络
        6.1.2 针对分子属性预测的主动半监督学习框架
        6.1.3 基于神经网络的半导体材料光电属性预测系统
    6.2 工作展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果



本文编号：3844828