提高密度泛函理論方法計算吸收能的精度：神經網絡和遺傳算法.pdf

1、電子躍遷吸收能是分子的一個重要的物理屬性，它包含分子的內在結構信息和電子性質，所以精確地預測吸收能是計算化學領域的一個重要問題。量子化學方法已經超過了僅僅驗證實驗值的水平，它能夠在實驗值不知道或不確定的時候來精確地預測吸收能，然而并不是所有的計算結果都是十分精確地，特別是對于復雜分子或者較大的系統(tǒng)，導致這種局限性的主要原因是計算方法本身采用固有的近似引起的。要解決這個問題，期望找到一些簡單而有效的方法來校正理論計算的誤差。
　　

2、 本論文針對150個有機小分子體系，用神經網絡、遺傳算法、神經網絡集成以及K近鄰等方法來校正量子化學方法計算的結果，提高量子化學計算電子光譜吸收能的精度。這些方法為準確地預測分子的各種性質提供了一種新的研究手段，拓展了理論方法的可靠性和適用性。
　　 研究工作主要包括如下幾個部分：
　　 1.基于量子化學TDDFT/B3LYP方法計算有機小分子的紫外可見吸收光譜的吸收能，利用遺傳算法和BP神經網絡(GANN)來提高有機小

3、分子吸收能的計算精度。在GANN方法中，GA被用來搜索神經網絡的最優(yōu)初始權值，BP被用來進一步訓練神經網絡來獲得最優(yōu)的最終連接權值。該方法被用來校正150個有機分子的光譜吸收能的理論計算誤差。通過BPN的校正，均方根誤差由B3LYP/6-31G(d)計算得到的0.47降到了0.22 eV，而對于GANN校正方法，誤差則降到了0.16 eV。GANN方法避免了傳統(tǒng)BP算法易陷入局部極小的缺陷，同時在提高DFT方法計算精度時優(yōu)于BP神經網絡

4、校正方法。
　　 2.利用神經網絡集成(NNE)的方法來提高單一神經網絡的泛化能力，其中NNE采用了bagging技術來生成集成中的6個個體神經網絡，在集成時使用基于簡單平均的結果合成(NNEA)和加權平均的結果合成(NNEW)方法。包含150個分子的實驗數據被隨機分成兩個數據集，訓練集包含120個分子，測試集包含30個分子。對于BPN、NNEA和NNEW校正方法將訓練集中120個分子的誤差分別由B3LYP/6-31G(d)計算

5、得到的0.48降到0.20，0.22，0.22 eV，對于測試集中的30個分子，誤差則分別由原來的0.41降到0.26，0.20和0.18 eV。從測試集的數據仿真結果表明神經網絡集成能夠降低單一神經網絡的泛化誤差。
　　 3.提出了用神經網絡集成和K近鄰方法(NNEKNN)來精確預測150個有機分子的電子躍遷吸收能。傳統(tǒng)的前向神經網絡是一個無記憶的方法，這意味著當神經網絡訓練結束后，所有有關輸入的相關信息都被存儲在網絡的連接權

6、值中，這時不再需要輸入數據了。相反，K近鄰方法代表的是一種基于記憶的方法，該方法在記憶中存儲了輸入數據的整個數據庫，然后它的預測結果是基于這些已存儲數據的局部近似值。在近鄰選擇上，NNEKNN方法使用集成輸出的結果與位于訓練集中的近鄰之間的歐幾里德距離作為衡量方法。對于NNEKNNA和NNEKNNW校正方法，對于訓練集的120個分子而言，誤差均由原來的0.48降到0.16 eV，而對于測試集中的30有機分子來說，誤差分別由原來的0.41