CN119422062A 用于从原子力显微镜图像中识别分子并根据iupac命名法生成所述分子的名称的计算机实现的方法 (马德里自治大学)_第1页
CN119422062A 用于从原子力显微镜图像中识别分子并根据iupac命名法生成所述分子的名称的计算机实现的方法 (马德里自治大学)_第2页
CN119422062A 用于从原子力显微镜图像中识别分子并根据iupac命名法生成所述分子的名称的计算机实现的方法 (马德里自治大学)_第3页
CN119422062A 用于从原子力显微镜图像中识别分子并根据iupac命名法生成所述分子的名称的计算机实现的方法 (马德里自治大学)_第4页
CN119422062A 用于从原子力显微镜图像中识别分子并根据iupac命名法生成所述分子的名称的计算机实现的方法 (马德里自治大学)_第5页
已阅读5页,还剩35页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

P2022303982022.04.22024.12.19PCT/ES2023/0702762023.04.28WO2023/209264ES2023.11.02用于从原子力显微镜图像中识别分子并根据IUPAC命名法生成所述分子的名称的计算机实个训练的多模循环神经网络根据IUPAC命名法生米技术领域,特别是与表面化学反应相关的领域,因此是原子力显微镜用户和制造商感兴趣2a)通过频率模式原子力显微镜,使用官能化金属尖端顶端,在c)将使用在步骤(a)中获得的原子力显微镜图像的所述第一训练的多模态循环神经网络M_RNNA馈送到所述数据处理器设备,所述第一训练的多模态循环神经网络M_RNNA生成具d)向所述数据处理器设备提供第二训练的属性多模e)将使用在步骤(d)中获得的IUPAC属性和步骤(a)中获得的所述原子力显微镜图像的循环神经网络AM_RNN生成所述有机分子的2.根据权利要求1所述的方法,其中,在步骤(a3.根据权利要求1或2中任一项所述的方法7.一种频率调制原子力显微镜(FM_AFM)显微3所述显示单元被配置为显示在根据权利要求1至6中任一项所述的方法的步骤(e)中根据9.根据权利要求7或8中任一项所述的FM_AFM显微的所述显示单元还被配置为以球棍图的形式显示在根据权利要求1至6中任一项的方法的处理设备在所述数据处理设备中执行根据权利要求1至6所4[0001]本发明涉及一种计算机实现的方法,该方法用于从原子力显微镜图像中识别分(AFM)允许在原子尺度上表征和操纵各种材料。这是通过测量振荡尖端与样品相互作用导[0006]将AFM与扫描隧道显微镜(STM)或开尔文探针力显微镜(KPFM)等其它实验技术相结合,并在理论模拟的支持下,对分子进行了识别(“Noncontactatomicforcemicroscopy:Bondimagingandbeyond”Q.Zhong,X.Li,H.Zhang,L.Chi,[0007]使用反应性半导体顶端实现了通过AFM对半导体表面合金上的单个原子进行化学AFM鉴别分子中原子的少数尝试是基于在分子位置的尖端_样品相互作用衰减中发现的差5中(“ADeepLearningApproachforMolecularClassificationBasedonAFMImages”J.Carracedo_Cosme,C.Romero_Muiiz,R.Pérez,Nanomaterials11,1658并没有为分子鉴定的一般问题提供解决方案。分类方法只能识别训练数据集中包含的分态循环神经网络(M_RNNA和AM_RNN)的组合根据IUPAC命名法生成所述分子的名称,以从原预测剩余的IUPAC术语,并将所述剩余的IUPAC术语与训练的M_RNNA确定的IUPAC属性按照色单元格不对应于任何术语,它被着色以将其与在两个单词之间拼写空格的术语区分开6[0017]QuasarScienceResourcesS.L._UniversidadAutónomadeMadrid_AtomicForceMicroscopy(QUAM_AFM)(/10.21950/UTGMZ7)用于训练第一训练的多模态循环神经网络M_RNNA网络和第二训练的属性多模态循[0018]QUAM_AFM是一个公开可用的数据集,理论上使用AFM操作参数(10个尖端_样品距金属尖端顶端的细节)的240种不同的组合,从68.6万个分离的分子中生成1.65亿张AFM图不同的吸附构型,不是仅通过AFM方法识别的良好候选者,因此不包括在QUAM_AFM数据库中。此外,具有不适合边长为的基于正方形的细胞的结构的非常大的分子也不形成[0021]QUAM_AFM数据库仅限于准平面分子,这些准平面分子沿z轴仅显示高达1.83A的7[0022]QUAM_AFM图像中的IUPAC名称可以分解为总共199个术语。QUAM_AFM中IUPAC名称用第一训练的多模态循环神经网络M_RNNA来获得组成分子的主要化学基团(即主要分子部[0027]·第一卷积神经网络CNN/M_RNNA组件,其包括3D卷积层块和一个或更多个丢弃[0031]ii)用一组已知或预先确定的分子的AFM图像预训练馈送到所述第一循环神经网络RNN/M_RNNA组件的第一卷积神经网络CNN/M_RNNA组件,这些图像对应于具有相同化学成据库QUAM_AFM中具有相同化学成分的分子的类别相对应的已知或预先确定的分子的AFM图[0032]iii)将在步骤(ii)中用已知或预先确定的有机分子的多个恒定高度的AFM灰度图像(例如数据库QUAM_AFM的AFM图像)预训练的第一卷积神经网络CNN/M_RNNA组件,馈送到[0035]CNN/M_RNNA组件包括3D卷积层块和丢弃层,并包括修改的InceptionResNetV2模型(C.Szegedy,S.Ioffe,V.Vanhoucke,A.A.Alemi,31rdProc.AAAIConf.onArtificialIntelligence(AAAI性分配1到100的整数来对属性进行编码。RNN/M_RNNA的输入是一个固定大小为19的向量,8[0039]多模态组件P/M-RNNA首先在两个全连接层中处理CNN输出v,这两个全连接层率向量。该最终的向量有103个组件:100个组件与属性相关,一个具有填充,两个具有[0043]首先,用与共用相同化学成分的分子的类别对应的一组已知或预先确定的分子先确定的分子的AFM图像)预训练馈送到所述第一循环神经网络CNN/M_RNNA组件的第一卷库QUAM_AFM的AFM图像)预训练的第一卷积神经网络CNN/M_RNNA组件馈送到第一训练的多入堆栈可用的AFM操作参数(6个不同的振荡幅度和4个不同的CO分子扭转刚度值)的24种组9验图像不能显示有机分子的完全对称性。给定有机分子的实验和理论AFM图像之间的这些是与基底的相互作用有机分子而松弛和变形,而我们正在考虑用于训练的模拟AFM图像中[0052]在训练过程中应用IDG提供的变形模拟了这些效果,并显著地赋予了第一训练的多模态循环神经网络M_RNNA从实验图像中识别有机分子的能力。为IDG选择合适的变形参积神经网络CNN/M_RNNA组件被配置为将多个恒定高度的原子力显微镜图像编码为输出向弃层以及一个或更多个循环层,其中,至少一个循环层是处理语言过程的门控循环单元(GRU),循环神经网络RNN/M_RNNA组件被配置为基于每个属性的语义含义嵌入每个属性的组件P/M-RNNa被配置为组合和处理CNN/M_RNNA和RNN/M_RNNA输出以预测其中一个属[0058]在本发明的方法中使用第二训练的多模态循环神经网络AM_RNN,以根据IUPAC命[0061]·第二卷积神经网络CNN/AM_RNN组件,其包括3D卷积层块和一个或更多个丢弃[0065]2)用与共用相同化学成分的分子的类别对应的一组已知或预先确定的分子的AFM的分子的AFM图像)训练馈送到第一卷积神经网络CNN/M_RNNA组件的第二卷积神经网络[0066]3)将用已知或预先确定的有机分子的多个恒定高度AFM灰度图像(例如用数据库QUAM_AFM的AFM图像和在第一训练的多模态循环神经网络M_RNNA的训练中获得的IUPAC属性)在步骤(2)中训练的第一卷积神经网络CNN/AM_RNN组件馈送到第二训练的多模态循环[0069]CNN/M_RNNA组件包括3D卷积层块和丢弃层,并包括修改的InceptionResNetV2模型(C.Szegedy,S.Ioffe,V.Vanhoucke,A.A.Alemi,31rdProc.AAAIConf.onArtificialIntelligence(AAAI个术语分配整数(从1到199)来对术语进行编码。RNN/AM_RNN的输入是固定大小为76的向量。这个数字来自QUAM_AFM中分子名称中不同属性的最大数量加上startseq标记(18+1=[0073]多模态组件P/AM-RNN首先在两个全连接层中处理CNN/M_RNNA输出v,这两个全连接层之间有一个丢弃层。将得到的向量与RNN/AM_RNN的输出连接以馈送两个全连接[0074]术语预测从步骤(b)中预测的属性列表开始(必要时填充),加上startseq标记YA18Tt_1预测的每个时间步长的输入和输出。图3示出了第四时间步长中RNN/AM_RNN的状态和AM_[0075]图5提供了AM_RNN的RNN/AM_RNN和P/AM-RNN组件的各层的详细信息AFM图像(例如用与数据库QUAM_AFM中共用相同化学成分的分子的类别对应的已知或预先确定的分子的AFM图像)预训练馈送到所述第二循环神经网络CNN/AM_RNN组件的第二卷积分子中原子的3D位置和大小(化学性质)以及所述原据库QUAM_AFM的AFM图像)预训练的第二卷积神经网络CNN/AM_RNN组件馈送到第二训练的为将步骤(a)中获得的多个恒定高度的原子力识别。分子上方不同尖端高度距离处采集有机分子的多个恒定高度的原子力显微镜图像,其中,[0091]c)将使用步骤(a)中获得的原子力显微镜图像的第一训练的多模态循环神经网络M_RNNA馈送到数据处理器设备,所述第一训练的多模态循环神经网络M_RNNA生成具有有机[0096]e)将使用在步骤(d)中获得的IUPAC属性和在步骤(a)中获得的原子力显微镜图像[0097]以频率调制动态模式(FM_AFM)运行的AFM通过测量振荡尖端与有机分子样品相互位于O原子的正前方并且对样品分子中的电子具有排斥性,这提供了垂直和横向的快速变[0105]为了采集多个恒定高度的AFM灰度图像,必须通过FM_AFM显微镜获得所述有机分高度的变化包含了关于原子的3D位置和大小(化学性质)以及所述原子之间距离的所有信p/AM-RNNp/AM-RNN经网络M_RNNA馈送到数据处理器设备,所述第一训练的多模循环神经网络M_MNNA生成具有[0113]在步骤(d)中,向数据处理器设备提供第二训练的属性多模态循环神经网络AM_[0117]步骤(e)是指将使用在步骤(d)中获得的IUPAC属性和步骤(a)中获得的原子力显的多模态循环神经网络AM_RNN生成有机分子的IUP配置为执行如上所述的本发明方法的步骤(a)的官能化的金属尖端顶端(本文中为本发明的显微镜)和被配置为执行如上所述的本发明方法的步骤(b)到步骤(e)的数据处理器设备的显示单元还被配置为以球棍图的形式显示本发明方法的步骤(e)中识别的分子的结构[0120]在本发明显微镜的另一个优选的实施例中,官能化的金属尖端顶端的金属选自子或分子官能化,优选官能化的金属尖端顶端用惰性闭壳Xe原子或惰性闭壳CO分子官能[0122]本发明的另一方面涉及一种包括指令的计算机程序(本文为本发明的计算机程[0123]本发明的最后一个方面涉及一种其上存储有如上所述的本发明的计算机程序的[0126]图2示出了M_RNNA和AM_RNN共用的的公共结构的图形层表示,以及构成其三个组3D卷积层替换(用于处理图像堆栈),其后为丢弃层(灰色)。以下块仅是原始Inception[0127]图3示出了与图4中使用相同格式的对应于苝_1,12_二醇分子的M_RNNA和AM_RNN[0128]图4示出了包括两个不同的多模态循环神经网络的本发明方法的架构方案,其数(每个时间步长处一个)。图7示出了示出由M_RNNA和AM_RNN网络从与苝_1,12_二醇分子对应的3D图像堆栈(取自QUAM_AFM数据集)预测的每个时间步长处的输入和输出的示例。图3中可以找到苝_1,12_二醇分子的M_RNNA和AM_RNN中第四个时间步长对应的R[0129]图5示出了M_RNNA和AM_RNN中集成的RNN和组件的逐层细节。v表示CNN组件的输出向量。除了RNN的最后一层,M_RNNA中的[0130]图6示出了将图像数据生成器(IDG)应用于与N_(5_氨基_4_甲基吡啶_2_基)_6_[0131]图7示出了由M_RNNA和AM_RNN网络从与苝_1,12_二醇分子的情况对应的3D图像堆栈(取自QUAM_AFM数据集)预测的每[0132]图8示出了在不同尖端_样品距离下拍摄的二苯并噻吩的AFM实验图像(来自(从左到右)示出了分子结构的球棍图(使用开源[0135]该示例基于在恒定高度模式下使用CO官能化的尖端测量的吸附在Au(111)上的二苯并噻吩的实验AFM图像。该测量是使用经过AFM升级的基于Createc的低温(LT)_STM进行的,并使用定制的GXSM控制软件。使用了具有用CO分子官能化的聚焦离子束(FIB)锐化的[0136]关于操作条件,尖端振荡幅度约为50pm,施加40mV的偏置电压。这种偏置使Au[0137]图8示出了吸附在Au(111)上的二苯并噻吩在不同尖端_样品距离下拍摄的一

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论