给大家分享5篇关于分子设计的计算机专业论文

今天分享的是关于分子设计的5篇计算机毕业论文范文, 如果你的论文涉及到分子设计等主题,本文能够帮助到你

铁电向列型液晶的分子设计与相行为探究

这是一篇关于液晶,铁电向列相,分子设计,相行为,多元共混的论文, 主要内容为液晶结合了固体的光电各向异性和液体对外场刺激的超强响应能力,并且液晶光开关与薄膜晶体管的完美结合带来了显示技术的革命。当人们觉得液晶材料和应用已经成熟时,2017年Nishikawa和Mandle在铁电向列型液晶(NF)的发现带来新的激动。这是Max Born 1916年预言的第一次实验验证。NF呈现多种杰出的物理特性,如铁电序构、超高介电常数、电场响应灵敏性、强非线性光学响应以及流动性,预示很多变革性应用的潜力,也吸引着世界知名的液晶研究机构和公司纷纷开始其基础物理、材料和技术的研发。然而,该新兴领域仍有诸多基础物理与技术空白需要填补,NF液晶材料化学结构和种类受限是其中最为突出的问题之一:首先NF液晶的稳定区间普遍高于50℃,低温易结晶转变成非极性固体,限制了电光功能器件的开发。NF材料化学结构的局限性限制了对其物性(如旋转粘度、介电损耗、非线性光学系数等)的调控或优化。因此本论文以此前报道的两类芳香酯NF液晶:4-((4-硝基苯氧基)羰基)苯基2,4-二甲氧基苯甲酸酯(RM734)和2,3’,4’,5’-四氟基-[1,1’-联苯]-4-基2,6-二氟-4-(5-甲基-1,3-二氧六环-2-基)苯甲酸酯(DIO)分子结构为基础,结合化学结构的理性设计和DFT计算,系统调节两类分子的化学结构。一方面通过系统的化学结构和相行为的探究获得更加详细的NF液晶的通用设计策略和构效关系;另一方面探索开发低温更加稳定的NF液晶材料,尤其是结合多元液晶组分共混的思路进一步稳定NF液晶。在本论文中,首先对RM734分子结构进行了系统的拓展,包括侧链烷氧基的长度、取代位置和取代基数目,设计了十二个不同的液晶分子。实验室合成并对其相结构做初步表征,包括扫描示差量热仪、偏光显微、介电测试、二次谐波发射等,判断合成材料是否展现NF相及其相变路径,建立完整的相图,并详细探讨了NF液晶形成与否及相变路径与分子结构的关系。以上RM734基的分子系列NF相普遍处于较高温度区间,为此本论文第三章设计了一系列基于DIO分子结构的新型NF液晶材料。通过在DIO侧链上引入兼具强拉电子效应和位阻效应的三氟甲基,以及将末端氟原子取代替换成氰基,我们获得了低温稳定性显著提高的NF材料,甚至能够在室温稳定1-2天。在第四章,我们探索了多元共混和手性掺杂的手段以进一步提升NF液晶的室温稳定性。遗憾的是,添加手性剂并没有显著降低铁电向列相结晶的温度以及提高其稳定性,而DIO系列多元液晶彼此共混虽没有降低铁电向列型相的相变温度,但降低了它们的结晶速度,一定程度上改善了铁电向列相的低温稳定性。本论文的研究工作为NF液晶材料的分子设计和相行为分析提供了丰富的信息,也为其低温稳定性的进一步提升以及其关键性能(如旋转粘度、介电损耗、非线性光学系数等)的优化打下了坚实的基础。

基于分子结构的萃取剂智能设计与应用研究

这是一篇关于萃取剂,分子设计,软件开发,元素,化学键的论文, 主要内容为随着国家大力推进石油能源清洁高效利用,分离在过程工业的原材料纯化、产品提纯和废弃物处理等过程中发挥着越来越重要的作用。在石油化工工业过程中普遍存在欲分离组分之间的相对挥发度接近1或形成共沸物的物系,该物系分离难度高,萃取精馏与液液萃取是常用且有效的分离方法,萃取剂的选择是萃取工艺研究的关键。本文提出了一种基于分子结构的萃取剂智能设计方法,用于萃取精馏、液液萃取中萃取剂的分子设计。首先,针对影响萃取精馏、液液萃取萃取剂分离性能的因素,确定了两组物性指标。在萃取精馏中萃取剂选择采用7项指标向量,分别是溶解度、相对挥发度、蒸发焓、热容、摩尔质量、沸点和熔点。在液液萃取中萃取剂选择采用6项指标向量,分别是分配系数、选择性、溶剂损失、摩尔质量、沸点与熔点。根据上述确定的物性指标,建立萃取剂物性预测模型。其次,提出了基于元素与化学键的萃取剂设计方法。对元素与化学键基团进行预选,采用基于知识型的分子设计方法,按照一定的组合规则自动合成分子,避免了分子的“组合爆炸”问题。设置萃取剂目标性质,通过预测已生成分子的相关物性,筛选出满足要求的萃取剂。根据萃取剂评价模糊性和多指标性的特点,采用模糊综合评价法对萃取剂进行评价。基于萃取剂的分离性能和各指标相对重要性,建立了模糊综合评价隶属函数,以层次分析法确定各指标权重占比。然后,利用Visual Studio 2010下C++语言编写基于知识型法的分子设计程序,使用Microsoft Foundation Classes框架设计程序界面开发了萃取剂智能设计系统。实现自动判断二元待分离物系的有效分离方法、智能合成分子结构、输出满足条件的萃取剂分子等功能。最后,运用已开发的萃取剂智能设计系统,开展正丁烷-正丁烯萃取精馏、苯-环己烷液液萃取过程中萃取剂的智能设计研究。通过与文献报道结果相比,证明了该系统萃取剂设计结果的准确性。本文提出的萃取剂智能化设计方法可设计出多种备选萃取剂,提高了使用者选择萃取剂的灵活性,应用研究证明了所开发的萃取剂智能设计系统是可靠且实用的,具有重要的理论意义和应用价值。

铁电向列型液晶的分子设计与相行为探究

有机自由基发光材料稳定性和构造原理的研究与应用

这是一篇关于有机自由基,双线态发光,稳定性,理论计算,分子设计的论文, 主要内容为有机自由基发光材料最近受到了广泛的关注,其独特的双线态发射性质可以突破自旋跃迁禁阻的限制,在理论上可达100%的内量子效率,在有机光电子领域有非常大的应用潜力。然而,自由基本质上是高活性且不稳定的,同时稳定的高性能自由基种类稀少、自由基结构性能关系不明确。基于此,本文采用量子化学手段,从理论计算的角度出发,对发光自由基进行了深入系统的研究,旨在阐明自由基稳定性与结构性能之间的关系,给出稳定高性能自由基的基本设计策略,主要研究内容如下:(1)自由基固有的不稳定性大大限制了发光自由基分子的发展,因此,本文构建了一个系统考察自由基稳定性的方法,包括自由基的热力学稳定性、动力学稳定性和电化学稳定性,以及取代基对自由基稳定性的影响,揭示了中性给受体型发光自由基的稳定性与结构特征之间的关系。研究结果表明,自由基受体与给体间小的二面角及短的键长有利于自旋离域,提高热力学稳定性;大位阻的给体基团能在空间上保护中心碳自由基,提高动力学稳定性;弱给体和强芳香性基团使自由基不易发生氧化还原反应,增强电化学稳定性。基于这些稳定自由基的设计策略,提出了自由基稳定性指标来评价自由基的整体稳定性,设计出五个高稳定性的自由基分子,是潜在的值得进一步实验研究的高稳定性发光自由基。该工作为开发高稳定性的自由基提供了重要的理论指导。(2)自由基分子的电子排布方式通常都遵循构造原理,但某些自由基分子的单占据分子轨道(SOMO)在能量上低于最高(双)占据分子轨道(HOMO),形成独特的反构造原理(反奥夫堡)型结构。此类反奥夫堡发光自由基分子通常拥有高发光量子产率和光稳定性,但针对反奥夫堡发光自由基的设计原理和方法还不够明确,基于此,本文系统地研究了反奥夫堡发光自由基的几何结构、形成机理、设计策略以及激子跃迁方式。研究发现,反奥夫堡发光自由基分子形成的关键在于前线轨道间的互斥作用,反奥夫堡自由基的激子跃迁方式为β-HOMO到β-SUMO轨道的跃迁,该工作深入探索了反奥夫堡发光自由基的机理,为反奥夫堡分子的开发提供了简明的设计策略。(3)目前发光自由基材料种类稀少,基本为氯取代的碳中心自由基,新型高性能有机自由基发光材料还有待挖掘。基于此,本文对三氯代三苯基甲基类自由基进行了杂原子取代及添加吸电子基团,设计了一系列新型自由基分子,计算了其综合稳定性、前线分子轨道、自然跃迁轨道、辐射跃迁速率、基态与激发态间的均方根位移(RMSD)等参数。计算研究显示,通过溴取代或添加吸电子基团修饰的方法构造新型自由基是可行的,且发射光谱随着取代基吸电子能力的增强而蓝移;而发光强度与RMSD呈负相关,可以通过调节吸电子基团的二面角让分子的几何构型更稳定来减小RMSD值,增强辐射跃迁速率;此外,新设计的自由基稳定性高且发光性能好,具有很大的发展应用潜力。该工作为设计新型高性能发光自由基材料提供了建议。

基于预训练模型的分子知识图谱的构建研究与应用

这是一篇关于知识图谱,分子设计,预训练模型,深度学习,SMILES序列,嵌入表示的论文, 主要内容为知识图谱(Knowledge Graphs,KG)是谷歌公司在2012年提出的一种新技术。随着其相关应用产品的不断推出,这一技术也引起了产业界和学术界的广泛关注。近年来知识图谱相关技术逐渐成熟,很多研究者都在积极利用知识图谱技术来解决领域内的专业问题,垂直领域的知识图谱构建已经成为人工智能时代的一项很重要的研究课题。但目前仍有很多领域缺乏专业的知识图谱以供研究者以及开发人员们使用。经过文献调研我们发现,在化学领域中已经开发的分子知识图谱多数是以分子为实体节点,这使新分子设计、分子生成等基于原子组成的研究难以使用这些分子节点的知识图谱作为助力。基于原子节点的分子知识图谱对从头(De Novo)分子设计与生成的研究具有重要的价值,但原子实体的标记成为构建分子知识图谱的一个难题。原子实体的类型是由分子结构、元素种类、成键类别等很多因素决定,即使专业领域研究人员有时也难以准确识别出很多化学分子中的原子类型,并较为准确地定义原子的实体及进行提取和分类。另外,化学分子的结构复杂多样且化学分子数据量巨大,可见人工实体抽取的工作量耗费人力巨大,成本高昂。最近,深度学习算法的快速发展给分子知识图谱的构建提供了新的选择。深度学习方法是一种表示学习方法,运用深度学习方法获取得到原子实体的向量表示作为分子知识图谱的节点表示可以有效地解决实体抽取的难题。将原子实体的向量表示进行分类并将原子实体进行命名后,建立原子实体间的成键关系,即可以将它们构建成知识图谱。并且深度学习模型可采用无监督学习预训练的方式,可以省去大量数据标注的时间与人力,因此基于预训练模型的分子知识图谱构建,可以更加快捷和低成本地完成图谱的构建任务,并且使图谱的应用更加方便和具有通用性,可以为分子设计提供新的方案。基于以上思考本文进行了相关研究,具体内容如下:本文构建了以原子为实体节点的分子知识图谱,并进行了相关应用。首先通过预训练模型获得原子的向量表示,再通过实体聚类实现实体命名以获得原子节点实体表示,用以构建分子知识图谱;本研究将分子知识图谱用于分子设计及性质预测等应用以展示图谱的用途和初步检测图谱的质量。主要包括以下工作内容:第一,本文突破了传统方法,基于无标注的分子数据SMILES序列和深度学习预训练模型进行分子数据中原子实体的提取,并实现基于原子实体的分子知识图谱构建。首先,分子的SMILES序列经RDKit预处理可以得到分子内的各种化学性质和结构等信息,将这些特征输入到预训练模型(Chem BERTa,图网络预训练)获得原子的嵌入表示;然后,使用RDKit根据不同原子的相邻原子种类进行实体预分类,确定实体的结构,以提高抽取的实体可解释性。计算分类好的原子向量之间的余弦相似度,设置相同实体的相似度阈值以进行实体融合,融合后每一类中原子向量平均后可以作为分子知识图谱的一个实体,其代表了一种特定环境的原子。同时,使用开源包RDKit获取原子间的化学键作为连接实体之间的关系形成组成知识图谱的三元组{原子实体1-成键关系-原子实体2};最后,将知识图谱进行存储及可视化。第二,本文基于构建的分子知识图谱通过链接预测模型实现分子设计应用。本研究使用链接预测模型Interact E,并在基础模型上加载了编码器WGCN,使得链接预测模型在构建的三元组数据集上的结果有小幅度的提升,Hits@1、Hits@10、MRR的值分别是0.423、0.476、0.635。通过模型预测不同分子的成键的概率评分,总结出合理的分子结构的评分标准为0.5,即分子内所有成键关系的平均得分在0.5以上可说明该分子结构合理存在的可能性高,具有较大概率的可生成性。第三,本研究将分子知识图谱嵌入应用于分子性质预测任务,以检测原子表示的有效性。将分子知识图谱中的原子嵌入与原子的初始特征相加,在消息传递神经网络(MPNN)框架的基础上进行实验,原子特征加入分子知识图谱嵌入后的误差下降了15%。实验结果表明,分子知识图谱嵌入有效表示了与任务成正反馈关系的原子环境信息,有助于提高下游任务的质量。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾，原文地址：https://m.bishedaima.com/lunwen/55498.html