基于深度學習的三維團簇能量預測

楊浩然 張雨晗

摘要：本文主要分析了以金團簇為代表的的金屬團簇和以硼團簇為代表的非金屬團簇，通過利用遺傳優化算法和卷積神經網絡對金團族的取優能重紿N悞型進頂測，T進心VMD進行可視化分析金團簇的原子結構分布。通過利用聚類算法和HK模型優化對硼團簇的最優能量結構模型進行預測并利用Gaussion 軟件進行可視化分析由于本文使用了部分深度學習算法，本地電腦配置無法滿足需求，因此使用到華為云ModelArts深度學習訓練平臺進行模型訓練已達到更有效果。通過本文研究分析，可以對金團簇，硼團簇全局最優結構作出預測分析并可視化分析，并對所用模型的優缺點進行了一定分析。

關鍵詞：遺傳優化算法;卷積神經網絡;ModelArts;聚類算法;HK模型優化

0 引言

人類物質文明的進步離不開新材料的應用，特別是近百年來，多元化的各種新物質、新材料不斷被創造出來，其結構越來越復雜，功能呈現多樣化趨勢，各國在該領域所面臨的競爭日趨激烈。如何更高效地發展新材料、新結構，加速高性能新物質的設計、合成和應用的步伐，關系到經濟增長的可持續性，成為現階段我國化學科研及應用領域從業者所面臨的嚴峻挑戰。然而，結構與性能1關系的復雜性決定了這方面的研究是一項長期、艱苦的任務。當前無法通過其與固體液體簡單對比發現團簇的物理化學性質。

1 金團簇能量預測及最優結構

1.1能量預測

在進行初步分析時，發現數據中共0～154，156～999總和為999個數據，缺少第155個數據，在進行代碼數據分析時要注意到這個地方，在學習使用VMD軟件后發現無法直接打開附件中所給出的.xyz文件，經過查詢VMD官方文檔，需要將能量系數改為原子名稱即可導入，且文檔路徑中不能出現中文字符。將金團簇導入VMD 軟件后我們可以較為清晰的觀察到金團簇的三維立體結構。

通過對Auzo的團簇結構三維坐標進行分析，根據已知信息預測出 Au20的最優結構如圖1

1.2 Au32最優結構預測

根據所給Au20_OPT_1000附件求出遺傳Au2o預測模型的最優結構，基于遺傳算法思想，我們將通過BP神經網絡的方法利用深度學習進行求解。

根據訓練模型將從引文網絡，網頁網絡，電力網絡三個維度對金團簇Au32進行預測評價

由圖2可見，Aug2團簇幾何形形狀層穩定的體心結構，原子之間距離較近，結構相對是最穩定的。

3 2 硼元素能量及最優結構預測

經過查詢VMD官方文檔，需要將能量系數改為原子名稱即可導入，且文檔路徑中不能出現中文字符。將金團簇導入VMD 軟件后我們可以較為清晰的觀察到硼團簇的三維立體結構。

通過軟件geneXprotools分析，得到硼團簇原子坐標和勢能的關系，預測出Bas.的最優結構。

由圖4可以看出 Bas.的立體結構為網狀放射結構。團簇的結構是空心的，這使得在硼團簇中處于表面的原子占得比例比較大，因而團簇具有較大的表面曲率半徑和表體比。這就導致硼團簇會具有很高的表面能，使得團簇表面的原子具有很高的活性，很容易與其它原子和分子結合。

4 3 結論

在對金團簇求解時主要使用了遺傳優化算法，BP神經網絡進行構建深度學習，與現有算法相比，精確度較高。該算法由TPLS算法和內部操作、表面操作、擾動操作3種全局操作構成.TPLS算法用于極小化，內部操作用于得到好的團簇內部結構，表面操作用于調整團簇表面原子的位置，擾動操作用于對內部操作和表面操作得到的團簇結構進行鄰域搜索。在對硼團簇求解時主要使用聚類算法，此算法算法簡單、快速。

參考文獻

[1]張潔瓊，王康，翟華金.硼基B_6Al_2～（-/0/+）合金團簇結構和成鍵理論研究（英文）[J/OL]J.山西大學學報（自然科學版）：1-12[2021-04-18].https：//doi.org/10.13451/fj.sxu.ns.2020170.

[2]范曉玉，張聰，張帥，胡瑩瑩，管仁田，岳巧麗.基于金納米簇構建熒光傳感方法在生化分析中的應用研究[J].聊城大學學報（自然科學版），2021，34（04）：61-79.

[3]盧欣，謝孟琳，劉景，金蔚，李春，Georgios Lefkidis，Wolfgang Hubner.Fe_（m）B_（20）（m=1，2）團簇中超快自旋動力學的第一性原理研究[U/OLJ.物理學報：1-23[2021-04-18].http：/kns.cnki.netkcms/ldetail/11.1958.04.20210222.1442.032.html.

[4]楊丹，祝艷.金團簇二十面體結構融合過程中其催化活性的演變（英文）[J.Chinese Journal of Catalysis，2021，42（02）：245-250.