بررسي ثابت هاي نيروي درون مولكولي در هيدروكربن خطي با كمك يادگيري ماشين

كارشناسي ارشد

يادگيري عميق باعث انقلابي بزرگ در بسياري از شاخه هاي علم و فناوري ، به ويژه تصوير ، متن و تشخيص گفتار شده است. علوم محاسباتي شيمي نيز از قضيه مستثنا نبوده و دستخوش تغييرات و پيشرفت هاي زيادي در اين زمينه شده است. در اين تحقيق ، چگونگي آموزش يك شبكه عصبي عميق با كمك محاسبات مكانيك كوانتومي و بخصوص تئوري تابعي چگالي نشان داده شده است. اين شبكه عصبي مي تواند يك پتانسيل دقيق و قابل انتقال براي سيستم هاي شيميايي بخصوص مولكولهاي آلي را بياموزد. در اينجا به طور خلاصه مدل پتانسيل ANI معرفي و نحوه استفاده از آن تشريح شده است. ANI روشي جديد است كه با هدف توسعه پتانسيل هاي شبكه عصبي قابل انتقال طراحي شده است. اين مدل از يك نسخه تغيير يافته از توابع تقارن بهلر و پارلينو براي ساخت بردارهاي محيطي تك اتمي به عنوان يك نمايش مولكولي استفاده مي كند. اين بردارهاي محيطي تك اتمي ما را قادر ساخته كه شبكه هاي عصبي را آموزش دهيم كه هم شامل فضاي configurational و هم conformational ميباشند. حاصل تئوري ANI ساختن پتانسيل هايي به نام ANI-1 است كه از زير مجموعه اي از بانكهاي اطلاعاتي GDB با حداكثر 8 اتم سنگين به منظور پيش بيني انرژي كل براي مولكولهاي حاوي چهار نوع اتم آموزش داده شده است: H، C، N و O. طبق مطالعات انجام گرفته ، مدل ANI-1 در مقايسه با محاسبات كوانتومي تئوري تابعي چگالي مرجع در سيستمهاي مولكولي بسيار بزرگتر نسبت به مواردي كه در مجموعه دادههاي آموزشي ارائه شده ، از نظر شيميايي بسيار دقيق عمل ميكند. در ادامه با كمك اين مدل ساختار n-hexane به صورت دقيق بررسي و با خروجي محاسبات كوانتومي مقايسه شده. مقادير انرژي و فركانس جهت ارزيابي مدل با خروجي محاسبات كوانتومي بررسي و مقايسه شدند. در ادامه سطح انرژي پتانسيل براي تعدادي از تورشن هاي مهم در ساختار هاي n-hexane ، 2-methylhexane و 3-methylhexane اسكن شده و راهكار جديدي براي بهبود و توسعه ميدان هاي نيروي كلاسيكي ارائه شده است.

194749

دانشگاه علم و صنعت ايران

شيمي فيزيك

دكتر سيد مجيد هاشميان زاده