分子屬性預(yù)測(cè)是一項(xiàng)基礎(chǔ)而重要的工作,受到跨領(lǐng)域的研究者的廣泛關(guān)注;并在包括藥物設(shè)計(jì),材料發(fā)現(xiàn),食品開發(fā)等多個(gè)領(lǐng)域有著廣泛的應(yīng)用。然而,傳統(tǒng)的基于密度泛函理論的方法因?yàn)槠錁O高的計(jì)算消耗,而無法被應(yīng)用到大數(shù)據(jù)集上去。此外,也是由于這種較高的計(jì)算代價(jià),使得已有數(shù)據(jù)集中,帶標(biāo)簽數(shù)據(jù)較少,而無標(biāo)簽數(shù)據(jù)較多。本文首先提出了一種具有泛化性的多層級(jí)圖卷積神經(jīng)網(wǎng)絡(luò)用于分子屬性預(yù)測(cè)。特別的,該模型將每個(gè)分子表示為一個(gè)圖以保存其內(nèi)部結(jié)構(gòu)。此外,這個(gè)精心設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)能夠依照分子內(nèi)多層級(jí)相互作用逐層提取分子的構(gòu)成和空間表征。因此,就可以利用這種多層級(jí)表征來進(jìn)行屬性預(yù)測(cè)。實(shí)驗(yàn)證明本文提出的方法能夠在多個(gè)數(shù)據(jù)集上取得最好的預(yù)測(cè)精度,并在遷移性和泛化性上顯著優(yōu)于其他方法。接著,為了解決分子屬性預(yù)測(cè)中帶標(biāo)簽數(shù)據(jù)不夠的問題,本文提出了一個(gè)新穎的主動(dòng)半監(jiān)督圖神經(jīng)網(wǎng)絡(luò)框架,它能夠有效融合帶標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)。該框架可以看作是一個(gè)教師-學(xué)生框架,其中教師模型和學(xué)生模型交替運(yùn)行并通過權(quán)重遷移進(jìn)行訓(xùn)練加速。此外,該框架還提出了一個(gè)基于主動(dòng)學(xué)習(xí)的策略來提高標(biāo)簽效率。本文在不同的實(shí)驗(yàn)設(shè)置下進(jìn)行了周密的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表現(xiàn)出模型出色的...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究?jī)?nèi)容
        1.2.1 分子屬性預(yù)測(cè)模型
        1.2.2 針對(duì)分子屬性預(yù)測(cè)的主動(dòng)半監(jiān)督學(xué)習(xí)框架
        1.2.3 有機(jī)半導(dǎo)體材料屬性預(yù)測(cè)工作系統(tǒng)
    1.3 主要貢獻(xiàn)
    1.4 組織結(jié)構(gòu)
第2章 相關(guān)工作
    2.1 分子屬性預(yù)測(cè)模型
        2.1.1 密度泛函分析
        2.1.2 傳統(tǒng)機(jī)器學(xué)習(xí)
        2.1.3 深度神經(jīng)網(wǎng)絡(luò)
    2.2 半監(jiān)督主動(dòng)學(xué)習(xí)
        2.2.1 半監(jiān)督表示學(xué)習(xí)
        2.2.2 主動(dòng)學(xué)習(xí)
第3章 多層級(jí)圖卷積神經(jīng)網(wǎng)絡(luò)
    3.1 問題定義
    3.2 模型結(jié)構(gòu)
        3.2.1 總覽
        3.2.2 嵌入層
        3.2.3 徑向基函數(shù)層
        3.2.4 相互作用層
        3.2.5 讀出層
    3.3 模型分析
        3.3.1 泛化性
        3.3.2 遷移性
        3.3.3 時(shí)間復(fù)雜度
    3.4 實(shí)驗(yàn)
        3.4.1 數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 基線模型
        3.4.4 實(shí)驗(yàn)結(jié)果
    3.5 小結(jié)
第4章 針對(duì)分子屬性預(yù)測(cè)的主動(dòng)半監(jiān)督學(xué)習(xí)框架
    4.1 問題定義
    4.2 主動(dòng)半監(jiān)督圖網(wǎng)絡(luò)
        4.2.1 整體框架
        4.2.2 半監(jiān)督教師模型
        4.2.3 半監(jiān)督學(xué)生模型
        4.2.4 用于數(shù)據(jù)篩選的主動(dòng)學(xué)習(xí)
        4.2.5 總結(jié)與討論
    4.3 實(shí)驗(yàn)
        4.3.1 數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 有效性實(shí)驗(yàn)
        4.3.4 效率實(shí)驗(yàn)
        4.3.5 消融實(shí)驗(yàn)
        4.3.6 實(shí)驗(yàn)可視化
第5章 有機(jī)半導(dǎo)體材料屬性預(yù)測(cè)工作系統(tǒng)
    5.1 數(shù)據(jù)生成
    5.2 模型驗(yàn)證
        5.2.1 實(shí)驗(yàn)設(shè)置
        5.2.2 模型效果
        5.2.3 對(duì)比淺層神經(jīng)網(wǎng)絡(luò)
        5.2.4 躍遷偶極矩預(yù)測(cè)和電荷轉(zhuǎn)移特性
    5.3 在吸收光譜上的應(yīng)用
第6章 總結(jié)與展望
    6.1 研究?jī)?nèi)容總結(jié)
        6.1.1 多層級(jí)圖卷積神經(jīng)網(wǎng)絡(luò)
        6.1.2 針對(duì)分子屬性預(yù)測(cè)的主動(dòng)半監(jiān)督學(xué)習(xí)框架
        6.1.3 基于神經(jīng)網(wǎng)絡(luò)的半導(dǎo)體材料光電屬性預(yù)測(cè)系統(tǒng)
    6.2 工作展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果



本文編號(hào)：3844828