以下为《MathorCup论文模板》的无排版文字预览,完整格式请下载
下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。
队伍编号
题号
B
三维团簇的能量预测
摘 要
团簇是一种介于微观与宏观世界 的物质 , 有着独特 的物 理化 学性质 。团簇 的性质
是 由其结构 决定 的, 因此 , 确定 团簇 的结构就成 为了 团簇科学界关注 的重要 问题 。原子团簇结构预测的实际意义:金属原子团簇具有很多块状材料所不具备的优异特性,并有望于在合成纳米材料、器件中到重要作用。其中Au?团簇在催化、医药和胶体化学方面有广泛的应用前景,并有望在合成新型纳米材料及器件中起到重要的作用。
团簇结构 的形成 是 由组成 团簇 的原子数 目和原子 间的相互作用势 决定 的 。
但由于团簇的势能面过于复杂,同时有时候还需要
考虑相对论效应等,所以搜索团簇的全局最优结构(即能量最低)显得尤
为困难。因此, 目前需要对这种方法加以改进,例如:考虑全局优化算法,结合机器学习 等方法,训练团簇结构和能量的关系,从而预测新型团簇的全局最优结构, 有利于发现新型团簇材料的结构和性能。目前经 使用的计算方法有分子动力 方法、模拟退火法、蒙特卡洛等方法。
关键词:团簇结构 原子势能 全局优化算法 机器学习 近邻算法 模拟退火法 目录
键入章某某(第 1 级) 1
键入章某某(第 2 级) 2
键入章标题(第 3 级) 3
键入章某某(第 1 级) 4
键入章某某(第 2 级) 5
键入章标题(第 3 级) 6
一、问题重述
1.1 基本情况
由于团簇的势能面过于复杂,同时有时候还需要 考虑相对论效应等,所以搜索团簇的全局最优结构(即能量最低)显得尤 为困难。因此, 目前需要对这种方法加以改进,例如:考虑全局优化算法,结合机器学习 等方法,训练团簇结构和能量的关系,从而预测新型团簇的全局最优结构, 有利于发现新型团簇材料的结构和性能。
1.2 需要解决的问题
问题 1:针对金属团簇,我们需要根据附件给出的 1000 个金某某 Au20的结构,建立金某某能量预测的数学模型,并预测金某某 Au20 的全局最优结构,
描述形状;
问题 2:在问题 1 的基础上,我们要设计算法,产生金某某不同结构
的异构体,自动搜索和预测金某某 Au32的全局最优结构,并描述其几何形
状,分析稳定性;
问题 3:针对非金属团簇,我们要根据附件给出了 3751 个硼团簇 B45
- 的结构,建立硼团簇能量预测的数学模型,并预测硼团簇 B45
- 的全局最优结构, 描述形状;
问题 4:在问题 3 的基础上,我们需要设计算法,产生硼团簇不同结构
的异构体,自动搜索和预测硼团簇 B40
- 的全局最优结构,并描述其几何形
状,分析稳定性。
问题分析
背景分析:团簇可以分为金属团簇和非金属团簇,由于金属团簇具有良好的催化
性能,因此备受关注。但由于团簇的势能面过于复杂,同时有时候还需要
考虑相对论效应等,所以搜索团簇的全局最优结构(即能量最低)显得尤
为困难。其中,传统的理论计算方法需要数值迭代求解薛定谔方程,并且
随原子数增加,高精度的理论计算时间呈现指数增长,非常耗时。因此,
目前需要对这种方法加以改进,例如:考虑全局优化算法,结合机器学习
等方法,训练团簇结构和能量的关系,从而预测新型团簇的全局最优结构,
有利于发现新型团簇材料的结构和性能。
问题分析:
针对问题一:由于团簇的物理和化学性质随所含的原子数目而变化,我们需要用机器学习来找出不同的原子结构与其相应的能量关系,在这里处理该关系式得到局部最优解,进而求全局最优解。
针对问题二: 问题二的处理方法类似于问题一的处理方式,需要创建数学模型预测分析势能函数,运用该函数求得金某某异构体的能量,对数据进行处理,找到能量最小值和最大值,在该区间内寻找最优结构。
针对问题三:问题三的处理方法与问题一类似,由于团簇的物理和化学性质随所含的原子数目而变化,我们需要用机器学习来找出不同的硼原子结构与其相应的能量关系,在这里处理该关系式得到局部最优解,进而求全局最优解。
针对问题四: 问题四的处理方法类似于问题二的处理方式,需要创建数学模型预测分析势能函数,运用该函数求得硼团簇异构体的能量,对数据进行处理,找到能量最小值和最大值,在该区间内寻找最优结构。
三、模型假设
1假设团簇Au32与团簇Au20相比增加的12个原子满足Au20的取值函数和取值范围。
2假设团簇势能只受原子的相对位置决定,本模型不考虑其他因素。
3假设
四、符号说明
符号
说明
N
原子个数
原子i与原子j之间的距离
R2
可决系数
MSE
均方某某
RMSE
均方根误差
MAE
平均绝对误差
MAPE
平均绝对百分比误差
/
势阱深度
/
碰撞时原子间的距离
五、模型的建立与求解
5.1 问题一的模型建立与求解
5.1.1 数据的处理
编写python程序Untitled.ipynb文件,将文件夹Au20_OPT_1000中的1000个金某某 Au20的结构文件中的坐标数据导入到Au20_OPT_1000.xlsx(已添加在附件中)表格文件中。
5.1.2模型的建立
运用机器学习算法中的LightGBM回归模型(算法已整合到LightGBM.txt中)将进Au20_OPT_1000.xlsx的数据作为训练集进行回归分析,得到了如图1所示的测试数据的评估结果。
/
图1
由上图可知,可决系数R2接近于1,表示文件Au20_OPT_1000.xlsx中的数据使用LightGBM回归模型进行回归分析的拟合程度较好,可以使用该模型分析得到的模型。
该模型的特征概要为图2所示
/
图2
图2展示了构成模型各个特征的权重,其中负号代表负向影响,正号代表正向影响其中特征1~60为20个坐标的60个数据
参数名
参数值
训练用时
9.3079
数据切分
0.999
定量数据标准化
否
定类独热编码
否
数据洗牌
是
交叉验证
否
随机种子
0
提升树的类型
gbdt
树的最大叶子数
31
学习率
0.1
决策树个数
100
最小分割增益
0.0
分支结点的最小权重
0.0001
叶子节点最小样本数
20
样本采样比率
1.0
构造每棵树时列的子样本比率
1.1
L1正则化项
0.0
L2正则化项
1.0
模型的各项参数配置
5.1.3模型的求解
文件Au20_OPT_1000.xlsx中的样本数与坐标与势能地平均值,标准差、最小值、四分之一、二、三分位数、最大值导入到文件Au20_OPT_1000_describe.xlsx中,获得了一个区间,即Au20团簇中各个原子的坐标的取值范围,用matlab对各个坐标进行拟合,并将结果复合到LightGBM拟合模型,得到势能的取值函数,将取值函数的取值以及对应的坐标值数据放入到栈中,势能取值函数的最小值对 内容过长,仅展示头部和尾部部分文字预览,全文请查看图片预览。 、不易过拟合等优点。GBDT?在工业界应用广泛,通常被用于点击率预测,搜索排序等任务。?LightGBM?(Light?Gradient?Boosting?Machine)是一个实现?GBDT?算法的框架,支持高效率的并行训练
优点:训练速度快,效率高。内存使用率较低。精确度更高。支持并行、分布式和GPU学习。能够处理大规模数据。
七、参考文献
[1]许某某 初 黄某某 黄 金 原 子 团 簇 最 稳 态 结 构 预 测
算 法 的 研 究 与 分 析 华中科技大学 2007
[2]李 进 预测黄金原子团簇结构的拟物拟人
算法研究 华中科技大学2007
[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]
以上为《MathorCup论文模板》的无排版文字预览,完整格式请下载
下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。