一种基于生成对抗网络的氟化液结构预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于生成对抗网络的氟化液结构预测装置及方法，其装置包括：获取模块，用于获取多个氟化液化合物的分子信息，并根据其构建数据集；预处理模块，用于将每个氟化液化合物的分子信息编码为第一特征向量；生成对抗网络，用于将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第一特征向量和第二特征向量解码为氟化液化合物的分子信息，并判别生成的分子信息是否属于所述数据集；预测模块，用于利用训练完成的生成对抗网络，生成不属于数据集的氟化液化合物的分子信息。本发明专利技术通过生成对抗网络将氟化物结构的先验信息进行编码，减少无活性畸形结构，实现新的氟化液分子结构的预测和发现。结构的预测和发现。结构的预测和发现。

【技术实现步骤摘要】
一种基于生成对抗网络的氟化液结构预测方法及装置


[0001]本专利技术属于分子结构预测
，具体涉及一种基于生成对抗网络的氟化液结构预测方法及装置。

技术介绍

[0002]传统空气冷却技术是目前应用最广泛、应用设施最完善的技术，由于空气单位体积热容量低的特性，其最大散热能力仅达37W/cm2，相较于峰值热流密度高达80～200W/cm2的服务器CPU芯片来说，散热能力明显不足。在此背景下，液体冷却技术备受关注。相比于空气冷却，液冷技术，如氟化液，的能力大幅提升。其具有高能效、高可靠、高密度、低门槛、低噪声的明显优势。

技术实现思路

[0003]为寻找或发现高性能、满足多需求的散热型氟化液分子结构的问题，在本专利技术的第一方面提供了一种基于生成对抗网络的氟化液结构预测装置，包括：获取模块，用于获取多个氟化液化合物的分子信息，并根据其构建数据集；所述分子信息包括名称、分子结构、沸点、凝固点、分子量和临界压力；预处理模块，用于将每个氟化液化合物的分子信息编码为第一特征向量；生成对抗网络，用于将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第一特征向量和第二特征向量解码为氟化液化合物的分子信息，并判别生成的分子信息是否属于所述数据集；训练模块，用于根据所述数据集和预设损失函数对所述生成对抗网络进行训练，直至所述生成对抗网络的损失函数值达到预设阈值，完成训练；预测模块，用于利用训练完成的生成对抗网络，生成不属于所述数据集的氟化液化合物的分子信息。
[0004]在本专利技术的一些实施例中，所述生成对抗网络包括：第一分支网络，用于将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第二特征向量解码为氟化液化合物的分子信息，并判别所述分子信息是否属于所述数据集；第二分支网络，用于将第一特征向量解码为氟化液化合物的分子信息，并判别所述分子信息是否属于所述数据集。
[0005]进一步的，所述第一分支网络包括：编码器，用于将多个第一特征向量映射为特征空间；第一解码器，用于将第一特征向量解码为氟化液化合物的分子信息；判别器，用于判别第一解码器生成的分子信息是否属于所述数据集。
[0006]进一步的，所述第二分支网络包括：第二解码器，用于从特征空间中随机采样一个或多个第二特征向量，并将每个第二特征向量解码为氟化液化合物的分子信息；判别器，用于判别第二解码器生成的分子信息是否属于所述数据集。
[0007]进一步的，所述生成对抗网络的损失函数通过如下方法计算：
[0008]L＝α1L
adv
+α2L
recover
－α3L
style
，
[0009]其中，L
adv
为第一分支网络的对抗损失，L
recover
为第二分支网络的对抗损失，L
style
表示由第一特征向量生成的分子信息与由第二特征向量分子信息之间的损失，α1、α2、α3为对应损失的权重系数。
[0010]在上述的实施例中，所述预处理模块将所述分子信息中的分子结构编码为SMILES字符串，以及将第一特征向量编码为32维向量。
[0011]本专利技术的第二方面，提供了一种基于生成对抗网络的氟化液结构预测方法，包括：获取多个氟化液化合物的分子信息，并根据其构建数据集；所述分子信息包括名称、分子结构、沸点、凝固点、分子量和临界压力；将每个氟化液化合物的分子信息编码为第一特征向量；通过生成对抗网络，将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第一特征向量和第二特征向量解码为氟化液化合物的分子信息，并判别生成的分子信息是否属于所述数据集；根据所述数据集和预设损失函数对所述生成对抗网络进行训练，直至所述生成对抗网络的损失函数值达到预设阈值，完成训练；利用训练完成的生成对抗网络，生成不属于所述数据集的氟化液化合物的分子信息。
[0012]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术在第二方面提供的基于生成对抗网络的氟化液结构预测方法。
[0013]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术在第二方面提供的基于生成对抗网络的氟化液结构预测方法。
[0014]本专利技术的有益效果是：
[0015]本专利技术提供的双分支生成对抗网络生成器和鉴别器网络不单独使用SMILES字符串作为输入，而是从GAN提取特征的隐藏层随机采样n维向量，并融入氟化液分子的性能。这使模型能够专注于优化采样，而不必担心SMILES语法问题，并使生成的结构更加稳定。采用了多种损失函数加权求和的方式使GAN网络训练更快，解决了生成对抗网络常出现的模式崩溃、梯度消失及梯度震荡不下降等问题，并设计了Lstyle loss，使生成的新分子结构各不相同，可防止网络为了达到最低loss仅生成特定结构的问题。本专利技术采用了新型判别器，鉴别器生成结果不仅仅是是/否的二分类，还会对输入进行性质预测的多通道多维度的向量。使网络同时实现新分子结构生成及其性质预测的功能。
附图说明
[0016]图1为本专利技术的一些实施例中的基于生成对抗网络的氟化液结构预测装置的基本结构示意图；
[0017]图2为本专利技术的一些实施例中的氟化液化合物的分子信息示意图；
[0018]图3为本专利技术的一些实施例中的生成对抗网络的结构原理示意图；
[0019]图4为本专利技术的一些实施例中的SMILES字符串编码或加码的原理示意图；
[0020]图5为本专利技术的一些实施例中的基于生成对抗网络的氟化液结构预测装置预测氟化液结构的原理示意图；
[0021]图6为本专利技术的一些实施例中的生成对抗网络与现有生成对抗网络训练效果对比
图；
[0022]图7为本专利技术的一些实施例中的氟化液化合物的分子结构示意图之一；
[0023]图8为本专利技术的一些实施例中的氟化液化合物的分子结构示意图之二；
[0024]图9为本专利技术的一些实施例中的氟化液化合物的分子结构示意图之三；
[0025]图10为本专利技术的一些实施例中的基于生成对抗网络的氟化液结构预测方法的具体流程示意图；
[0026]图11为本专利技术的一些实施例中的电子设备的结构示意图。
具体实施方式
[0027]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0028]参考图1和图5，在本专利技术的第一方面，提供了一种基于生成对抗网络的氟化液结构预测装置1，包括：获取模块11，用于获取多个氟化液化合物的分子信息，并根据其构建数据集；所述分子信息包括名称、分子结构、沸点、凝固点、分子量和临界压力；预处理模块1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的氟化液结构预测装置，其特征在于，包括：获取模块，用于获取多个氟化液化合物的分子信息，并根据其构建数据集；所述分子信息包括名称、分子结构、沸点、凝固点、分子量和临界压力；预处理模块，用于将每个氟化液化合物的分子信息编码为第一特征向量；生成对抗网络，用于将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第一特征向量和第二特征向量解码为氟化液化合物的分子信息，并判别生成的分子信息是否属于所述数据集；训练模块，用于根据所述数据集和预设损失函数对所述生成对抗网络进行训练，直至所述生成对抗网络的损失函数值达到预设阈值，完成训练；预测模块，用于利用训练完成的生成对抗网络，生成不属于所述数据集的氟化液化合物的分子信息。2.根据权利要求1基于生成对抗网络的氟化液结构预测装置，其特征在于，所述生成对抗网络包括：第一分支网络，用于将多个第一特征向量映射为特征空间，并从特征空间中随机采样，得到一个或多个第二特征向量；以及将第二特征向量解码为氟化液化合物的分子信息，并判别所述分子信息是否属于所述数据集；第二分支网络，用于将第一特征向量解码为氟化液化合物的分子信息，并判别所述分子信息是否属于所述数据集。3.根据权利要求2基于生成对抗网络的氟化液结构预测装置，其特征在于，所述第一分支网络包括：编码器，用于将多个第一特征向量映射为特征空间；第一解码器，用于将第一特征向量解码为氟化液化合物的分子信息；判别器，用于判别第一解码器生成的分子信息是否属于所述数据集。4.根据权利要求2基于生成对抗网络的氟化液结构预测装置，其特征在于，所述第二分支网络包括：第二解码器，用于从特征空间中随机采样一个或多个第二特征向量，并将每个第二特征向量解码为氟化液化合物的分子信息；判别器，用于判别第二解码器生成的分子信息是否属于所述数据集。5.根据权利要求2所述的基于生成对抗网络的氟化液结构预测装置，其特征在于，所述生成对抗网络的损失函数通过如下方法计算：L＝α1L
adv
+α2L
recove...

【专利技术属性】
技术研发人员：张炜鑫，颜涛，赖波，吴浩，方琳，
申请(专利权)人：武汉三氟新材料科技有限公司，
类型：发明
国别省市：