[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

说明书

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，属于高分子的理论计算与模拟领域，解决了现有高分子链在吸引表面的吸附相变识别方法所需分析样本数量过多的问题。所述方法包括：基于三维简立方格模型和自回避行走算法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、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以及采用高分子链吸附相变最终识别模型对待识别的高分子链样本进行识别的步骤。

技术领域

本发明涉及一种高分子链在吸引表面的吸附相变识别方法，属于高分子的理论计算与模拟领域。

背景技术

高分子链在具有吸附性质的表面的吸附性质与高分子链的形状、尺寸和溶解性等因素有着密切的关联。高分子链在具有吸附性质的表面的吸附过程是物理和生物领域的重要课题，通过研究高分子链在表面的吸附效应能够改善部分物理器件的相关性能以及改变蛋白质在表面上的相关特性。例如，在生物学中，通过控制材料表面对蛋白质吸附能力的大小，能够改进生物材料的相关性能，有利于研究医学中如血小板凝聚吸附和血栓的形成过程。例如，在表面科学中，可以将在固体平面表面上涂覆不同的材料或者生成表面膜的问题视为高分子聚合物的吸附问题，从而通过研究高分子链在具有吸附性质的表面的吸附性质解决这些问题。

高分子链在具有吸附性质的表面的吸附性质研究的主要内容为识别高分子链在吸引表面的吸附相变。现有高分子链在吸引表面的吸附相变识别方法的主要内容为：通过计算机模拟方法模拟生成高分子链，使高分子链进行热运动，获取高分子链的相关模拟参数，并通过统计力学方法分析得出高分子链在具有吸附性质的表面吸附临界点温度。

然而，现有高分子链在吸引表面的吸附相变识别方法因采用统计力学方法而需要大量的分析样本，不仅导致前期模拟周期过长，而且对相关模拟硬件的要求较高。

发明内容

本发明为解决现有高分子链在吸引表面的吸附相变识别方法所需分析样本数量过多的问题，提出了一种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。

本发明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。

作为优选的是，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