分子轨迹预测方法、装置、设备、介质及程序产品与流程

本技术涉及人工智能领域，特别涉及一种分子轨迹预测方法、装置、设备、介质及程序产品。

背景技术：

1、分子动力学模拟方法(molecular dynamics，md)是一种利用计算机模拟分子、原子体系的运动过程，以动态考察分子随时间演化的行为和分子之间的相互作用的方法。

2、相关技术中，分子动力学模拟的过程是通过分子轨迹预测模型，对多个时刻中的每个时刻的分子进行建模，结合分子在多个时刻的运动状态，对分子在下一时刻的运动状态进行预测。

3、然而，由于受到环境影响，分子动力学模拟中的分子运动往往会形成周期性规律，相关技术的分子轨迹预测模型无法充分学习到分子运动的周期性规律，会导致分子轨迹的预测效果不佳。

技术实现思路

1、本技术提供了一种分子轨迹预测方法、装置、设备、介质及程序产品。所述技术方案如下：

2、一方面，提供了一种分子轨迹预测方法，所述方法包括：

3、获取分子在至少两个时刻的分子图；所述至少两个时刻是位于第t时刻之前的时刻，所述第t时刻是待预测时刻，所述t大于1；

4、对所述至少两个时刻的分子图进行特征提取，得到所述至少两个时刻的分子图分别对应的周期特征；所述周期特征用于表征所述分子的分子运动状态的周期性规律；

5、将所述至少两个时刻的分子图和各自的所述周期特征输入分子轨迹预测模型，得到所述分子在所述第t时刻的预测分子图；

6、基于所述分子在所述至少两个时刻的分子图与在所述第t时刻的预测分子图，得到所述分子的分子轨迹。

7、另一方面，提供了一种分子轨迹预测模型的训练方法，所述方法包括：

8、获取样本分子在至少两个时刻的样本分子图；所述至少两个时刻是位于第t时刻之前的时刻，所述样本分子图标注有所述样本分子在所述第t时刻的分子运动状态的标签信息，所述t大于1；

9、对所述至少两个时刻的样本分子图进行特征提取，得到所述至少两个时刻的样本分子图分别对应的样本周期特征；所述样本周期特征用于表征所述样本分子的分子运动状态的周期性规律；

10、将所述至少两个时刻的样本分子图和各自的所述样本周期特征输入分子轨迹预测模型，得到所述样本分子在所述第t时刻的分子运动状态的预测信息；

11、基于所述标签信息与所述预测信息，确定所述分子轨迹预测模型的训练损失；基于所述训练损失对所述分子轨迹预测模型的模型参数进行训练。

12、在一些实施例中，所述样本周期特征包括所述n个样本原子中的第i个样本原子与第j个样本原子之间的样本频率互相关系数和所述第i个样本原子的样本频率振幅中的至少之一；

13、所述方法还包括：

14、将所述n个样本原子中的所述第i个样本原子与所述第j个样本原子之间的所述样本频率互相关系数，增加为所述样本分子图中的样本边特征；以及，将所述第i个样本原子的所述样本频率振幅，增加为所述样本分子图中的样本结点特征，以使所述样本周期特征嵌入到所述分子轨迹预测模型的每一层消息传递中。

15、在一些实施例中，所述样本分子包括n个样本原子，所述标签信息包括所述n个样本原子在所述第t时刻的样本原子坐标，所述预测信息包括所述n个样本原子在所述第t时刻的预测原子坐标；

16、所述基于所述标签信息与所述预测信息，确定所述分子轨迹预测模型的训练损失，包括：

17、基于所述n个样本原子在所述第t时刻的所述样本原子坐标和所述预测原子坐标，确定所述n个样本原子对应的均方误差；

18、将所述均方误差，确定为所述分子轨迹预测模型的所述训练损失。

19、另一方面，提供了一种分子轨迹预测装置，所述装置包括：

20、获取模块，用于获取分子在至少两个时刻的分子图；所述至少两个时刻是位于第t时刻之前的时刻，所述第t时刻是待预测时刻，所述t大于1；

21、提取模块，用于对所述至少两个时刻的分子图进行特征提取，得到所述至少两个时刻的分子图分别对应的周期特征；所述周期特征用于表征所述分子的分子运动状态的周期性规律；

22、处理模块，用于将所述至少两个时刻的分子图和各自的所述周期特征输入分子轨迹预测模型，得到所述分子在所述第t时刻的预测分子图；

23、确定模块，用于基于所述分子在所述至少两个时刻的分子图与在所述第t时刻的预测分子图，得到所述分子的分子轨迹。

24、另一方面，提供了一种分子轨迹预测模型的训练装置，所述装置包括：

25、获取模块，用于获取样本分子在至少两个时刻的样本分子图；所述至少两个时刻是位于第t时刻之前的时刻，所述样本分子图标注有所述样本分子在所述第t时刻的分子运动状态的标签信息，所述t大于1；

26、提取模块，用于对所述至少两个时刻的样本分子图进行特征提取，得到所述至少两个时刻的样本分子图分别对应的样本周期特征；所述样本周期特征用于表征所述样本分子的分子运动状态的周期性规律；

27、处理模块，用于将所述至少两个时刻的样本分子图和各自的所述样本周期特征输入分子轨迹预测模型，得到所述样本分子在所述第t时刻的分子运动状态的预测信息；

28、训练模块，用于基于所述标签信息与所述预测信息，确定所述分子轨迹预测模型的训练损失；基于所述训练损失对所述分子轨迹预测模型的模型参数进行训练。

29、另一方面，提供了一种计算机设备，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上所述的分子轨迹预测方法，或，实现如上所述的分子轨迹预测模型的训练方法。

30、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上所述的分子轨迹预测方法，或，实现如上所述的分子轨迹预测模型的训练方法。

31、另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，处理器从所述计算机可读存储介质中获取所述计算机指令，使得所述处理器加载并执行以实现如上所述的分子轨迹预测方法，或，实现如上所述的分子轨迹预测模型的训练方法。

32、本技术实施例提供的技术方案带来的有益效果至少包括：

33、一方面，本技术实施例提供了一种分子轨迹预测方法，通过获取分子在至少两个时刻的分子图；至少两个时刻是位于第t时刻之前的时刻，第t时刻是待预测时刻，t大于1；对至少两个时刻的分子图进行特征提取，得到至少两个时刻的分子图分别对应的周期特征；周期特征用于表征分子的分子运动状态的周期性规律；将至少两个时刻的分子图和各自的周期特征输入分子轨迹预测模型，得到分子在第t时刻的预测分子图；基于分子在至少两个时刻的分子图与在第t时刻的预测分子图，得到分子的分子轨迹。据此，周期特征能够捕捉到分子在全局时间尺度上的周期性的动态信息，通过将周期特征输入分子轨迹预测模型，使得该分子轨迹预测模型能够充分学习到该分子的分子运动状态的周期性规律，隐式建模未知的环境影响，增强了学习能力，从而能够提高分子轨迹预测模型对分子轨迹进行预测的预测效果。

34、另一方面，本技术实施例提供了一种分子轨迹预测模型的训练方法，通过获取样本分子在至少两个时刻的样本分子图；至少两个时刻是位于第t时刻之前的时刻，样本分子图标注有样本分子在第t时刻的分子运动状态的标签信息，t大于1；对至少两个时刻的样本分子图进行特征提取，得到至少两个时刻的样本分子图分别对应的样本周期特征；样本周期特征用于表征样本分子的分子运动状态的周期性规律；将至少两个时刻的样本分子图和各自的样本周期特征输入分子轨迹预测模型，得到样本分子在第t时刻的分子运动状态的预测信息；基于标签信息与预测信息，确定分子轨迹预测模型的训练损失；基于训练损失对分子轨迹预测模型的模型参数进行训练。据此，样本周期特征能够捕捉到样本分子在全局时间尺度上的周期性的动态信息，通过将样本周期特征输入分子轨迹预测模型进行训练，使得该分子轨迹预测模型能够充分学习到该样本分子的分子运动状态的周期性规律，隐式建模未知的环境影响，增强了学习能力，在分子轨迹预测模型的预测阶段，能够提高分子轨迹预测模型对分子轨迹进行预测的预测效果。