[发明专利]基于神经网络的高分子链在吸引表面的吸附相变识别方法

权利要求书

1.基于神经网络的高分子链在吸引表面的吸附相变识别方法，其特征在于，包括以下步骤：

基于三维简立方格模型并采用自回避行走算法模拟生成高分子链样本集；

基于模拟退火算法获取每个高分子链样本在每个温度下的构象信息与状态信息，所述状态信息包括吸附状态和脱附状态；

在高分子链样本集中选择预定比例的训练样本，将其余高分子链样本作为测试样本；

采用每个训练样本在每个温度下的构象信息与状态信息对神经网络进行训练，得到高分子链吸附相变初始识别模型；

采用每个测试样本在每个温度下的构象信息与状态信息对神经网络进行修正，得到高分子链吸附相变最终识别模型；

将多个待识别高分子链样本的构象信息分别输入高分子链吸附相变最终识别模型，得到每个待识别高分子链样本的状态信息，以及在多个待识别高分子链样本的状态信息不同时得到吸附相变点信息；

所述基于三维简立方格模型并采用自回避行走算法模拟生成高分子链样本集的具体过程为：

三维简立方格模型为一个尺寸为L_X×L_Y×L_Z的简立方格模拟盒，每个简立方格的边长为1，高分子链的单体分布在格点上；

将高分子链样本的链长设置为N，即高分子链样本由N个单体组成；

在高分子链样本的模拟生成过程中，高分子链样本中相邻的两个单体之间通过键长可涨落的键进行链接，其键长值为1、或

在简立方格模拟盒中的Z＝0处和Z＝D处分别设置一个不可穿透的表面，其中，DN^v1，v1为三维的Flory指数，v1＝0.588；

Z＝0处表面对高分子链样本的所有单体都具有吸引作用，Z＝D处表面对高分子链样本的所有单体都具有体积排斥作用，Z＝0处的表面为均质表面或多条纹表面；

高分子链样本在X和Y方向上满足周期性边界条件；

当Z＝0处表面为均质表面时，将简立方格模拟盒水平方向的尺寸设置为：L_X＝L_YN^v2，v2为二维的Flory指数，v2＝0.75；

当Z＝0处表面为多条纹表面时，将条纹宽度L设置为4，将简立方格模拟盒水平方向的尺寸设置为：L_X＝L_Y＝144；

基于模拟退火算法获取每个高分子链样本在每个温度下的构象信息与状态信息的具体过程为：

设置48个用于退火的温度，在每个温度下高分子链样本都将经历T＝2.5×N^2.13MCS来达到平衡状态，其中，MCS为蒙特卡罗步，每个蒙特卡罗步表示为在系统内的平均每个单体运动一次；

采用Metropolis重要性抽样方法来判断高分子链的每一步运动是否被接受：

假设每一个单体接触到吸附表面就获得一个能量∈＝-1，以概率p来判断该运动是否被接受：

p＝min(1，exp(-ΔE/K_BT)}              (1)

式中，ΔE表示每一次运动前后的能量变化，K_B为玻尔兹曼常数，T为温度；

在模拟退火的过程中，采用状态标记法或温度标记法对模拟得到的高分子链样本进行标记：

状态标记法对每个高分子链样本进行标记，高分子链样本在每个温度下达到平衡状态后，每隔1000MCS进行一次抽样，当该1000MCS内高分子链样本中一直有单体接触Z＝0处表面时，将该高分子链样本标记为吸附状态，否则，将该高分子链样本标记为脱附状态；

温度标记法根据吸附率分布来估计高分子链样本的吸附状态与脱附状态对应的温度范围，将吸附状态对应的温度范围内的高分子链样本标记为吸附状态，将脱附状态对应的温度范围内的高分子链样本标记为脱附状态。

2.如权利要求1所述的基于神经网络的高分子链在吸引表面的吸附相变识别方法，其特征在于，采用每个训练样本在每个温度下的构象信息与状态信息对神经网络进行训练，得到高分子链吸附相变初始识别模型的具体过程为：

神经网络为卷积神经网络；

将训练样本构象的坐标信息转换成三维矩阵数据输入卷积神经网络，通过卷积层提取特征、池化层泛化特征、全连接层组合特征以及丢弃层暂时丢弃部分神经元和连接来防止过拟合，最后输出训练样本的状态信息。