請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82842完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 趙聖德(Sheng-Der Chao) | |
| dc.contributor.author | Cheng-Yu Huang | en |
| dc.contributor.author | 黃丞右 | zh_TW |
| dc.date.accessioned | 2022-11-25T08:00:46Z | - |
| dc.date.copyright | 2021-11-11 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-08-22 | |
| dc.identifier.citation | Y. M. Chang, Y. S. Wang and S. D. Chao, 'A minimum quantum chemistry CCSD(T)/CBS dataset of dimeric interaction energies for small organic functional groups,' The Journal of Chemical Physics, 2020. B. Jeziorski, R. Moszynski and K. Szalewicz, 'Perturbation Theory Approach to Intermolecular Potential Energy Surfaces of van der Waals Complexes,' Chemical Reviews, 1994. M. Ceriotti, C. Clementi and O. A. v. Lilienfeld, 'Machine learning meets chemical physics,' The Journal of Chemical Physics, 2021. R. Zubatyuk, J. S. Smith, J. Leszczynski and O. Isayev, 'Accurate and transferable multitask prediction of chemical properties with an atoms-in-molecules neural network,' Science Advances, 2019. O. T. Unke and M. Meuwly, 'PhysNet: A Neural Network for Predicting Energies, Forces, Dipole Moments, and Partial Charges,' J. Chem. Theory Comput, 2019. Z. L. Glick, D. P. Metcalf, A. Koutsoukas, S. A. Spronk, D. L. Cheney and C. D. Sherrill, 'AP-Net: An atomic-pairwise neural network for smooth and transferable interaction potentials,' The Journal of Chemical Physics, 2020. D. P. Metcalf, A. Koutsoukas, S. A. Spronk, B. L. Claus, D. A. Loughney, S. R. Johnson, D. L. Cheney and C. D. Sherrill, 'Approaches for machine learning intermolecular interaction energies and application to energy components from symmetry adapted perturbation theory,' The Journal of Chemical Physics, 2020. Jeziorski, Bopumil, R. Moszynski and K. Szalewicz, 'Perturbation theory approach to intermolecular potential energy surfaces of van der Waals complexes,' Chemical Reviews, 1994. K. Patkowski, 'Recent developments in symmetry-adapted perturbation theory,' Wiley Interdiscip. Rev. Comput. Mol. Sci, 2019. J. G. McDaniel and J. Schmidt, 'Physically-Motivated Force Fields from Symmetry-Adapted Perturbation Theory,' J. Phys. Chem, 2013. “維基百科,” 22 4 2021. [線上]. Available: https://zh.wikipedia.org/wiki/神經元. Y. Freund and R. E. Schapire, 'Large margin classification using the perceptron algorithm,' in Machine Learning, 1999, pp. 277-296. J. Lewis, 'Fast template matching,' in Proc. Vision Interface, 1995, pp. 120-123. F. Gers, N. Schraudolph and J. Schmidhuber, 'Learning precise timing with LSTM recurrent networks,' Journal of Machine Learning Research, pp. 115-143, 2002. G. E. Hinton, 'Distributed representations,' 1984. D. E. Rumelhart, J. L. McClelland and P. R. Group, 'Parallel Distributed Processing,' Explorations in the Microstructure of Cognition, 1986. D. E. Rumelhart, G. E. Hinton and R. J. Williams, 'Learning representations by back-propagating errors,' Nature, 1986. A. R. Horowitz, 'Loss functions and public policy,' Journal of Macroeconomics, 1987. J. Han and C. Morag, 'The influence of the sigmoid function parameters on the speed of backpropagation learning,' in From Natural to Artificial Neural, pp. 195-201. J. Behler, 'Atom-centered symmetry functions for constructing high-dimensional neural network potentials,' J. Chem. Phys. 134, 074106, 2011. J. Behler and M. Parrinello, 'Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces,' Phys. Rev. Lett. 98, 146401, 2007. J. Behler, 'CROYAL SOCIETY OF CHEMISTRY,' 13 9 2011. [Online]. Available: https://pubs.rsc.org/en/content/articlelanding/2011/cp/c1cp21668f. J. Behler, 'Atom-centered symmetry functions for constructing high-dimensional neural network potentials,' J. Chem. Phys. 134, 074106, 2011. M. J. V. Vleet, A. J. Misquitta and J. R. Schmidt, 'New Angles on Standard Force Fields: Toward a General Approach for Treating Atomic-Level Anisotropy,' J. Chem, 2018. N. Lubbers, J. S. Smith and K. Barros, 'Hierarchical modeling of molecular energies using a deep neural network,' J. Chem. Phys., 2018. K. T. Schütt, H. E. Sauceda, P.-J. Kindermans, A. Tkatchenko and K.-R. Müller, 'SchNet – A deep learning architecture for molecules and materials,' J. Chem. Phys., 2018. K. Szalewicz, 'Symmetry-adapted perturbation theory of intermolecular forces,' Wiley Interdiscip. Rev.: Comput. Mol. Sci. 2,, 2012. E. Papajak, J. Zheng, X. Xu, H. R. Leverentz and D. G. Truhlar, 'Perspectives on Basis Sets Beautiful: Seasonal Plantings of Diffuse Basis Functions,' J. Chem, 2011. C. R. Groom, I. J. Bruno, M. P. Lightfoot and S. C. Ward, 'The Cambridge Structural Database,' Acta Cryst, 2016. Schrödinger, 'Protein-Ligand Database (PLDB),' New York, 2019. 張育銘, “利用量子化學方法建立分子二聚體分子間作用力數據庫與SAPT分析,” 碩士論文,國立台灣大學, 2017. 黃星翔, “利用量子化學方法建立混合型分子二聚體分子間相互作用力資料庫與混合法的比較分析,” 碩士論文,國立台灣大學, 2019. J. G. McDaniel and J. Schmidt, 'Next-Generation Force Fields from Symmetry-Adapted Perturbation Theory,' Annu. Rev. Phys. Chem., 2016. J. A. Rackers, C. Liu, P. Ren and J. W. Ponder, 'A physically grounded damped dispersion model with particle mesh Ewald summation,' J. Chem. Phys., 2018. J. A. Rackers and J. W. Ponder, 'Classical Pauli repulsion: An anisotropic, atomic multipole model,' J. Chem. Phys., 2018. M. J. V. Vleet, A. J. Misquitta, A. J. Stone and J. R. Schmidt, 'Beyond Born–Mayer: Improved Models for Short-Range Repulsion in ab Initio Force Fields,' J. Chem. Theory Comput, 2016. M. J. V. Vleet, A. J. Misquitta and J. R. Schmidt, 'New Angles on Standard Force Fields: Toward a General Approach for Treating Atomic-Level Anisotropy,' J. Chem. Theory Comput., 2018. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82842 | - |
| dc.description.abstract | 由於先前以量子化學計算烷、烯、炔及常見的官能基二聚體醇、醛、酸、酮、醯胺的分子間交互作用能，並且建立這些二聚體的數據庫，但隨著分子的結構越來越複雜，計算機的計算量將會花費很大的成本，數據庫的建立也因此受限。以目前我們實驗室所對付的系統分子大小大約為十到二十個原子所構成，而在這個系統大小內是可以應付的，但如果要處理更大的分子時，目前使用CPU-based的計算機會需要很長的計算時間，然而，若要讓這個系統變大的話，我們面臨的問題是直接做量子化學計算的成本會變得非常昂貴，所以才需要結合機器學習的方法。 以先前建立的數據庫當作機器學習的訓練集資料，來訓練出一個屬於以烷、烯、炔、醇、醛、酸、酮、醯胺二聚體為主體的模型，透過較小的二聚體當做訓練資料所訓練出來的模型，來預測較大的二聚體分子，訓練的過程分為兩個部分，第一部分為以同源二聚體(homodimers)為訓練集資料所建立的模型來預測同源二聚體(homodimers)的結果，第二部分為以同源二聚體(homodimers)為訓練集資料所建立的模型來預測異源二聚體(heterodimers)的結果，最後與量子化學計算的結果來做比較，判定模型的準確性，而量子化學計算是以MP2方法搭配aug-cc-pVTZ的基底來計算最佳化構型，分子間交互作用能的計算則是透過PSI4軟體中的SAPT(symmetry-adapted perturbation theory)方法，搭配jun-cc-pVTZ的基底來計算。 透過使用機器學習的方法，學習電子結構數據來預測分子間的交互作用能，能夠達到與傳統量子化學計算相似的準確性，且擁有更快的計算速度，解決了系統變大時，計算成本昂貴的問題。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T08:00:46Z (GMT). No. of bitstreams: 1 U0001-2108202111533700.pdf: 4044470 bytes, checksum: 160cf39393f87a2e93fbd7180c190e69 (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | 致謝 I 摘要 II ABSTRACT III 目錄 V 圖目錄 IX 表目錄 XII 第1章 緒論 1 1.1 研究動機 1 1.2 文獻回顧 2 1.3 章節介紹 3 第2章 基本論介紹 4 2.1 量子力學理論 4 2.1.1 量子力學(Quantum Mechanics)介紹 4 2.1.2 薛丁格方程式(Schrödinger Equation) 6 2.2 對稱性匹配微擾理論(Symmetry-Adapted Perturbation Theory) 10 第3章 人工智慧介紹 11 3.1 人工智慧發展史 11 3.2 類神經網路 12 3.2.1 類神經網路介紹 12 3.2.2 類神經網路架構 12 3.2.2.1 感知器(Perceptron) 12 3.2.2.2 多層感知器(Multilayer Perceptron) 14 3.2.2.3 神經網路(Network) 14 3.2.2.4 反向傳播(Backpropagation) 16 3.2.2.5 梯度消失(Vanishing Gradient Problem) 21 3.2.2.6 優化器(Optimizer) 25 第4章 計算結果與討論 28 4.1 計算方法 28 4.2 基於AP-Net訓練集資料的預測結果與討論 33 4.2.1 烷類(Alkane)之預測結果與討論 35 4.2.2 烯類(Alkene)之預測結果與討論 37 4.2.3 炔類(Alkyne)之預測結果與討論 39 4.2.4 醇類(alcohol)之預測結果與討論 42 4.2.5 醛類(aldehyde)之預測結果與討論 44 4.2.6 酮類(ketone)之預測結果與討論 46 4.2.7 酸類(acid)之預測結果與討論 49 4.2.8 醯胺類(amide)之預測結果與討論 51 4.3 基於AAA、AAK、CAA為訓練集資料的預測結果與討論 55 4.3.1 以同源二聚體為訓練集資料預測同源二聚體的結果 55 4.3.2 以同源二聚體為訓練集資料預測異源二聚體的結果 66 4.3.2.1 烷類(alkane)與烷類(alkane)的二聚體之預測結果 68 4.3.2.2 烷類(alkane)與烯類(alkene)的二聚體之預測結果 70 4.3.2.3 烷類(alkane)與炔類(alkyne)的二聚體之預測結果 72 4.3.2.4 烷類(alkane)與醇類(alcohol)的二聚體之預測結果 74 4.3.2.5 烷類(alkane)與醛類(aldehyde)的二聚體之預測結果 76 4.3.2.6 烷類(alkane)與酮類(ketone)的二聚體之預測結果 78 4.3.2.7 烷類(alkane)與酸類(acid)的二聚體之預測結果 80 4.3.2.8 烷類(alkane)與醯胺類(amide)的二聚體之預測結果 82 4.3.2.9 烯類(alkene)與烯類(alkene)的二聚體之預測結果 84 4.3.2.10 烯類(alkene)與醇類(alcohol)的二聚體之預測結果 85 4.3.2.11 烯類(alkene)與醛類(aldehyde)的二聚體之預測結果 87 4.3.2.12 烯類(alkene)與酮類(ketone)的二聚體之預測結果 89 4.3.2.13 烯類(alkene)與酸類(acid)的二聚體之預測結果 91 4.3.2.14 烯類(alkene)與醯胺類(amide)的二聚體之預測結果 93 4.3.2.15 醇類(alcohol)與醇類(alcohol)的二聚體之預測結果 95 4.3.2.16 醇類(alcohol)與酸類(acid)的二聚體之預測結果 96 4.3.2.17 醇類(alcohol)與醯胺類(amide)的二聚體之預測結果 98 4.3.2.18 醛類(aldehyde)與酸類(acid)的二聚體之預測結果 100 4.3.2.19 醛類(aldehyde)與醯胺類(acid)的二聚體之預測結果 102 4.3.2.20 酮類(ketone)與酸類(acid)的二聚體之預測結果 104 4.3.2.21 酮類(ketone)與醯胺類(amide)的二聚體之預測結果 106 4.3.2.22 酸類(acid)與酸類(acid)的二聚體之預測結果 108 4.3.2.23 酸類(acid)與醯胺類(amide)的二聚體之預測結果 109 4.3.2.24 醯胺類(amide)與醯胺類(amide)的二聚體之預測結果 111 第5章 結論與未來展望 116 5.1 機器學習預測 116 5.2 未來展望 117 第6章 參考文獻 118 | |
| dc.language.iso | zh-TW | |
| dc.subject | 人工智慧 | zh_TW |
| dc.subject | 對稱適應微擾理論 | zh_TW |
| dc.subject | 分子間作用力 | zh_TW |
| dc.subject | 交互作用能數據庫 | zh_TW |
| dc.subject | 類神經網路 | zh_TW |
| dc.subject | 深度學習 | zh_TW |
| dc.subject | 量子化學計算 | zh_TW |
| dc.subject | Quantum chemistry calculation | en |
| dc.subject | SAPT | en |
| dc.subject | Intermolecular interaction energy database | en |
| dc.subject | Artificial intelligence | en |
| dc.subject | Deep learning | en |
| dc.subject | Neural network | en |
| dc.title | 機器學習法於分子間交互作用能之預測 | zh_TW |
| dc.title | Machine Learning Prediction of Interaction Energy | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 包淳瑋(Hsin-Tsai Liu),鄭原忠(Chih-Yang Tseng),陳志鴻,周佳靚 | |
| dc.subject.keyword | 交互作用能數據庫,分子間作用力,對稱適應微擾理論,量子化學計算,人工智慧,深度學習,類神經網路, | zh_TW |
| dc.subject.keyword | Intermolecular interaction energy database,SAPT,Quantum chemistry calculation,Artificial intelligence,Deep learning,Neural network, | en |
| dc.relation.page | 121 | |
| dc.identifier.doi | 10.6342/NTU202102566 | |
| dc.rights.note | 未授權 | |
| dc.date.accepted | 2021-08-23 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 應用力學研究所 | zh_TW |
| dc.date.embargo-lift | 2024-08-21 | - |
| 顯示於系所單位： | 應用力學研究所 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-2108202111533700.pdf 未授權公開取用 | 3.95 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。