论文部分内容阅读
摘要：本文主要分析了以金团簇为代表的的金属团簇和以硼团簇为代表的非金属团簇，通过利用遗传优化算法和卷积神经网络对金团族的取优能重绐N悞型进顶测，T进心VMD进行可视化分析金团簇的原子结构分布。通过利用聚类算法和HK模型优化对硼团簇的最优能量结构模型进行预测并利用Gaussion 软件进行可视化分析由于本文使用了部分深度学习算法，本地电脑配置无法满足需求，因此使用到华为云ModelArts深度学习训练平台进行模型训练已达到更有效果。通过本文研究分析，可以对金团簇，硼团簇全局最优结构作出预测分析并可视化分析，并对所用模型的优缺点进行了一定分析。
关键词：遗传优化算法;卷积神经网络;ModelArts;聚类算法;HK模型优化
0 引言
人类物质文明的进步离不开新材料的应用，特别是近百年来，多元化的各种新物质、新材料不断被创造出来，其结构越来越复杂，功能呈现多样化趋势，各国在该领域所面临的竞争日趋激烈。如何更高效地发展新材料、新结构，加速高性能新物质的设计、合成和应用的步伐，关系到经济增长的可持续性，成为现阶段我国化学科研及应用领域从业者所面临的严峻挑战。然而，结构与性能1关系的复杂性决定了这方面的研究是一项长期、艰苦的任务。当前无法通过其与固体液体简单对比发现团簇的物理化学性质。
1 金团簇能量预测及最优结构
1.1能量预测
在进行初步分析时，发现数据中共0～154，156～999总和为999个数据，缺少第155个数据，在进行代码数据分析时要注意到这个地方，在学习使用VMD软件后发现无法直接打开附件中所给出的.xyz文件，经过查询VMD官方文档，需要将能量系数改为原子名称即可导入，且文档路径中不能出现中文字符。将金团簇导入VMD 软件后我们可以较为清晰的观察到金团簇的三维立体结构。
通过对Auzo的团簇结构三维坐标进行分析，根据已知信息预测出 Au20的最优结构如图1
1.2 Au32最优结构预测
根据所给Au20_OPT_1000附件求出遗传Au2o预测模型的最优结构，基于遗传算法思想，我们将通过BP神经网络的方法利用深度学习进行求解。
根据训练模型将从引文网络，网页网络，电力网络三个维度对金团簇Au32进行预测评价
由图2可见，Aug2团簇几何形形状层稳定的体心结构，原子之间距离较近，结构相对是最稳定的。
3 2 硼元素能量及最优结构预测
经过查询VMD官方文档，需要将能量系数改为原子名称即可导入，且文档路径中不能出现中文字符。将金团簇导入VMD 软件后我们可以较为清晰的观察到硼团簇的三维立体结构。
通过软件geneXprotools分析，得到硼团簇原子坐标和势能的关系，预测出Bas.的最优结构。
由图4可以看出 Bas.的立体结构为网状放射结构。团簇的结构是空心的，这使得在硼团簇中处于表面的原子占得比例比较大，因而团簇具有较大的表面曲率半径和表体比。这就导致硼团簇会具有很高的表面能，使得团簇表面的原子具有很高的活性，很容易与其它原子和分子结合。
4 3 结论
在对金团簇求解时主要使用了遗传优化算法，BP神经网络进行构建深度学习，与现有算法相比，精确度较高。该算法由TPLS算法和内部操作、表面操作、扰动操作3种全局操作構成.TPLS算法用于极小化，内部操作用于得到好的团簇内部结构，表面操作用于调整团簇表面原子的位置，扰动操作用于对内部操作和表面操作得到的团簇结构进行邻域搜索。在对硼团簇求解时主要使用聚类算法，此算法算法简单、快速。
参考文献
[1]张洁琼，王康，翟华金.硼基B_6Al_2～（-/0/+）合金团簇结构和成键理论研究（英文）[J/OL]J.山西大学学报（自然科学版）：1-12[2021-04-18].https：//doi.org/10.13451/fj.sxu.ns.2020170.
[2]范晓玉，张聪，张帅，胡莹莹，管仁田，岳巧丽.基于金纳米簇构建荧光传感方法在生化分析中的应用研究[J].聊城大学学报（自然科学版），2021，34（04）：61-79.
[3]卢欣，谢孟琳，刘景，金蔚，李春，Georgios Lefkidis，Wolfgang Hubner.Fe_（m）B_（20）（m=1，2）团簇中超快自旋动力学的第一性原理研究[U/OLJ.物理学报：1-23[2021-04-18].http：/kns.cnki.netkcms/ldetail/11.1958.04.20210222.1442.032.html.
[4]杨丹，祝艳.金团簇二十面体结构融合过程中其催化活性的演变（英文）[J.Chinese Journal of Catalysis，2021，42（02）：245-250.
关键词：遗传优化算法;卷积神经网络;ModelArts;聚类算法;HK模型优化
0 引言
人类物质文明的进步离不开新材料的应用，特别是近百年来，多元化的各种新物质、新材料不断被创造出来，其结构越来越复杂，功能呈现多样化趋势，各国在该领域所面临的竞争日趋激烈。如何更高效地发展新材料、新结构，加速高性能新物质的设计、合成和应用的步伐，关系到经济增长的可持续性，成为现阶段我国化学科研及应用领域从业者所面临的严峻挑战。然而，结构与性能1关系的复杂性决定了这方面的研究是一项长期、艰苦的任务。当前无法通过其与固体液体简单对比发现团簇的物理化学性质。
1 金团簇能量预测及最优结构
1.1能量预测
在进行初步分析时，发现数据中共0～154，156～999总和为999个数据，缺少第155个数据，在进行代码数据分析时要注意到这个地方，在学习使用VMD软件后发现无法直接打开附件中所给出的.xyz文件，经过查询VMD官方文档，需要将能量系数改为原子名称即可导入，且文档路径中不能出现中文字符。将金团簇导入VMD 软件后我们可以较为清晰的观察到金团簇的三维立体结构。
通过对Auzo的团簇结构三维坐标进行分析，根据已知信息预测出 Au20的最优结构如图1
1.2 Au32最优结构预测
根据所给Au20_OPT_1000附件求出遗传Au2o预测模型的最优结构，基于遗传算法思想，我们将通过BP神经网络的方法利用深度学习进行求解。
根据训练模型将从引文网络，网页网络，电力网络三个维度对金团簇Au32进行预测评价
由图2可见，Aug2团簇几何形形状层稳定的体心结构，原子之间距离较近，结构相对是最稳定的。
3 2 硼元素能量及最优结构预测
经过查询VMD官方文档，需要将能量系数改为原子名称即可导入，且文档路径中不能出现中文字符。将金团簇导入VMD 软件后我们可以较为清晰的观察到硼团簇的三维立体结构。
通过软件geneXprotools分析，得到硼团簇原子坐标和势能的关系，预测出Bas.的最优结构。
由图4可以看出 Bas.的立体结构为网状放射结构。团簇的结构是空心的，这使得在硼团簇中处于表面的原子占得比例比较大，因而团簇具有较大的表面曲率半径和表体比。这就导致硼团簇会具有很高的表面能，使得团簇表面的原子具有很高的活性，很容易与其它原子和分子结合。
4 3 结论
在对金团簇求解时主要使用了遗传优化算法，BP神经网络进行构建深度学习，与现有算法相比，精确度较高。该算法由TPLS算法和内部操作、表面操作、扰动操作3种全局操作構成.TPLS算法用于极小化，内部操作用于得到好的团簇内部结构，表面操作用于调整团簇表面原子的位置，扰动操作用于对内部操作和表面操作得到的团簇结构进行邻域搜索。在对硼团簇求解时主要使用聚类算法，此算法算法简单、快速。
参考文献
[1]张洁琼，王康，翟华金.硼基B_6Al_2～（-/0/+）合金团簇结构和成键理论研究（英文）[J/OL]J.山西大学学报（自然科学版）：1-12[2021-04-18].https：//doi.org/10.13451/fj.sxu.ns.2020170.
[2]范晓玉，张聪，张帅，胡莹莹，管仁田，岳巧丽.基于金纳米簇构建荧光传感方法在生化分析中的应用研究[J].聊城大学学报（自然科学版），2021，34（04）：61-79.
[3]卢欣，谢孟琳，刘景，金蔚，李春，Georgios Lefkidis，Wolfgang Hubner.Fe_（m）B_（20）（m=1，2）团簇中超快自旋动力学的第一性原理研究[U/OLJ.物理学报：1-23[2021-04-18].http：/kns.cnki.netkcms/ldetail/11.1958.04.20210222.1442.032.html.
[4]杨丹，祝艳.金团簇二十面体结构融合过程中其催化活性的演变（英文）[J.Chinese Journal of Catalysis，2021，42（02）：245-250.