一种化学反应条件预测方法以及预测装置与流程
本技术涉及人工智能,具体而言,涉及一种化学反应条件预测方法以及预测装置。
背景技术:
1、现有化学反应条件预测方法通常以整个反应的分子线性表达式作为单一输入,利用变换器编码器提取序列特征后逐项生成条件标记。此类方法将分子结构压缩为线性序列,丢失了原子间的拓扑连接信息,且未在反应物与产物之间建立结构配对约束,导致反应前后分子骨架迁移和化学键变化等关键信息难以被捕捉。
2、同时,在多任务预测场景下,现有方法未对输入端待预测条件施加掩蔽,训练与推理阶段输入信息配置不一致,存在信息泄漏问题。此外,现有方法未将温度、时间等连续物理量与分子结构特征进行维度对齐和跨模态交互,两类异构信息之间缺乏有效的关联建模。上述因素共同制约了反应条件预测的准确性。
技术实现思路
1、有鉴于此,本技术的目的在于提供一种化学反应条件预测方法以及预测装置,以克服上述至少一种缺陷。
2、第一方面,本技术实施例提供了一种化学反应条件预测方法,所述方法包括:获取反应物分子图、产物分子图以及宏观连续条件向量;利用第一图神经网络编码所述反应物分子图得到反应物图级嵌入,利用第二图神经网络编码所述产物分子图得到产物图级嵌入,并对所述反应物图级嵌入与所述产物图级嵌入进行双向配对融合,得到反应结构表征;获取离散条件嵌入,根据当前的任务标识,对所述离散条件嵌入中与待预测任务对应的嵌入槽施加掩蔽,得到离散条件向量;根据所述任务标识,对所述宏观连续条件向量中与待预测目标对应的维度进行置零,并对置零后的向量进行可学习傅里叶频域映射,得到连续条件嵌入;将所述连续条件嵌入与所述离散条件向量进行融合,得到条件表征;将所述反应结构表征与所述条件表征进行跨模态双向注意力融合,得到融合向量;将所述融合向量输入共享主干网络与多任务输出头,根据所述任务标识,利用所述多任务输出头中与所述任务标识对应的输出头,得到所述待预测目标对应的条件预测结果。
3、在本技术的一种可选实施例中,所述第一图神经网络和所述第二图神经网络通过以下方式编码:所述第一图神经网络和所述第二图神经网络均为结构对称的图同构卷积网络堆叠而成,每一层图同构卷积网络后依次进行图归一化和修正线性单元激活函数处理,末层输出经全局均值池化得到所述反应物图级嵌入和所述产物图级嵌入。
4、在本技术的一种可选实施例中,通过以下方式得到所述反应结构表征:以所述反应物图级嵌入作为查询,所述产物图级嵌入作为键和值,进行多头交叉注意力运算,得到第一注意力输出;以所述产物图级嵌入作为查询,所述反应物图级嵌入作为键和值,进行多头交叉注意力运算,得到第二注意力输出;将所述第一注意力输出与所述第二注意力输出进行拼接,输入多层感知机进行映射,得到所述反应结构表征。
5、在本技术的一种可选实施例中,通过以下方式得到所述离散条件向量:将温度类别标签、时间类别标签和产率类别标签分别通过对应的可学习嵌入层,映射为温度嵌入、时间嵌入和产率嵌入;引入一个可学习的掩蔽向量,根据所述任务标识,将待预测任务所对应的嵌入替换为所述掩蔽向量,保留其余任务的嵌入不变;将替换后的各嵌入进行拼接,输入条件多层感知机进行融合映射,得到所述离散条件向量。
6、在本技术的一种可选实施例中,通过以下方式得到所述连续条件嵌入:构建一个可学习的多尺度频率矩阵,所述频率矩阵的元素值初始化为以不同指数缩放的多尺度频率;对置零后的所述宏观连续条件向量,利用所述频率矩阵计算其正弦频域特征和余弦频域特征;将得到的正弦特征与余弦特征展平后,输入傅里叶投影多层感知机进行压缩映射,得到所述连续条件嵌入。
7、在本技术的一种可选实施例中,通过以下方式得到所述融合向量:将所述反应结构表征与所述条件表征分别通过维度对齐投影矩阵,映射到相同维度;以对齐后的反应结构表征作为查询,对齐后的条件表征作为键和值,计算第一跨模态注意力输出;以对齐后的条件表征作为查询,对齐后的反应结构表征作为键和值,计算第二跨模态注意力输出;将所述第一跨模态注意力输出与所述第二跨模态注意力输出进行拼接,输入合并多层感知机进行映射,得到所述融合向量。
8、在本技术的一种可选实施例中,所述多任务输出头包含温度输出头,所述温度输出头通过以下方式获得温度预测结果:将所述时间嵌入与所述产率嵌入拼接后,通过辅助映射多层感知机得到辅助特征;将所述共享主干网络输出的隐向量、所述反应结构表征以及所述辅助特征进行拼接,输入深层温度输出多层感知机,得到温度条件预测结果。
9、在本技术的一种可选实施例中,所述方法采用加权聚焦损失函数进行训练,所述加权聚焦损失函数由产率损失项、时间损失项、温度损失项以及至少一个温度辅助损失项加权求和得到,其中所述温度损失项的权重取值大于所述产率损失项和所述时间损失项的权重取值。
10、第二方面,本技术实施例还提供了一种化学反应条件预测装置,所述装置包括:数据获取模块,用于获取反应物分子图、产物分子图以及宏观连续条件向量;反应结构表征得到模块,用于利用第一图神经网络编码所述反应物分子图得到反应物图级嵌入,利用第二图神经网络编码所述产物分子图得到产物图级嵌入,并对所述反应物图级嵌入与所述产物图级嵌入进行双向配对融合,得到反应结构表征;离散条件向量得到模块,用于获取离散条件嵌入,根据当前的任务标识,对所述离散条件嵌入中与待预测任务对应的嵌入槽施加掩蔽,得到离散条件向量;连续条件嵌入得到模块,用于根据所述任务标识,对所述宏观连续条件向量中与待预测目标对应的维度进行置零,并对置零后的向量进行可学习傅里叶频域映射,得到连续条件嵌入;条件表征得到模块,用于将所述连续条件嵌入与所述离散条件向量进行融合,得到条件表征;融合向量得到模块,用于将所述反应结构表征与所述条件表征进行跨模态双向注意力融合,得到融合向量;条件预测结果得到模块,用以将所述融合向量输入共享主干网络与多任务输出头,根据所述任务标识,利用所述多任务输出头中与所述任务标识对应的输出头,得到所述待预测目标对应的条件预测结果。
11、第三方面,本技术实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上所述方法的步骤。
12、本技术实施例提供的化学反应条件预测方法以及预测装置,获取反应物分子图、产物分子图以及宏观连续条件向量;利用第一图神经网络编码反应物分子图得到反应物图级嵌入,利用第二图神经网络编码产物分子图得到产物图级嵌入,得到反应结构表征;根据当前的任务标识,对离散条件嵌入中与待预测任务对应的嵌入槽施加掩蔽,得到离散条件向量;根据任务标识,得到连续条件嵌入;将连续条件嵌入与离散条件向量进行融合,得到条件表征;将反应结构表征与条件表征进行跨模态双向注意力融合,得到融合向量;将融合向量输入共享主干网络与多任务输出头,根据任务标识,利用多任务输出头中与任务标识对应的输出头,得到待预测目标对应的条件预测结果。通过本技术,提升了反应条件条件预测的准确性。
13、为使本技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com