利用神经网络识别高分子链在表面的吸附相变

作     者：孙立望 李洪 汪鹏君 高和蓓 罗孟波 Sun Li-Wang;Li Hong;Wang Peng-Jun;Gao He-Bei;Luo Meng-Bo

作者机构：温州大学数理与电子信息工程学院温州325035 温州职业技术学院信息系温州325035 浙江大学物理系杭州310027 

出 版 物：《物理学报》 (Acta Physica Sinica)

年 卷 期：2019年第68卷第20期

页      面：54-60页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070203[理学-原子与分子物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家自然科学基金(批准号:11775161,61874078) 浙江省自然科学基金(批准号:LY17A040007) 浙江省教育厅(批准号:Y201738867)资助的课题~~ 

主　　题：神经网络 吸附相变 高分子链 Monte Carlo模拟 

摘      要：采用深度神经网络和Monte Carlo (MC)模拟方法研究了线性高分子链在均质表面以及条纹表面的临界吸附现象.通过MC模拟退火算法构建高分子链的构象样本集,采用状态标记法和温度标记法对模拟产生的样本集进行标记并采用神经网络对标记后的样本进行训练,发现神经网络可以很好地识别高分子链在均质表面的脱附态和吸附态以及在条纹表面的脱附、多条纹吸附和单条纹吸附的三个不同状态,且发现神经网络对这两种样本标记法得到一致的临界吸附温度.通过对训练集大小与神经网络的识别率之间的关系进行研究,发现神经网络可以在每个温度抽取较少的训练样本集上学习得到较高的高分子链构象状态的识别率.神经网络结合传统MC方法可以为高分子模拟计算研究提供一种新的方法.