基于平均影响值的反向传播神经网络方法用于提高密度泛函理论计算Y—NO键均裂能精度

doi:10.3969/j.issn.0251-0790.2012.02.024

高等学校化学学报 ›› 2012, Vol. 33 ›› Issue (02): 346.doi: 10.3969/j.issn.0251-0790.2012.02.024

基于平均影响值的反向传播神经网络方法用于提高密度泛函理论计算Y—NO键均裂能精度

李鸿志¹, 陶委², 高婷¹, 李辉¹, 吕英华^1,2, 苏忠民²

1. 东北师范大学计算机科学与信息技术学院, 长春 130017;
2. 东北师范大学化学学院, 功能材料化学研究所, 长春 130024

收稿日期:2011-05-03 出版日期:2012-02-10 发布日期:2012-01-13
通讯作者: 吕英华, 男, 博士, 教授, 博士生导师, 主要从事面向并行对象计算机系统的模拟和模式识别研究. 苏忠民, 男, 博士, 教授, 博士生导师, 主要从事量子化学和功能材料化学研究. E-mail:luyh@nenu.edu.cn;zmsu@nenu.edu.cn
基金资助:
国家"九七三"计划项目(批准号: 2009CB623605)、国家自然科学基金(批准号: 20703008, 20903020)和吉林省科技发展计划项目(批准号: 20100114)资助.

Improving the Accuracy of DFT Calculation for Homolysis Bond Dissociation Energies of Y—NO Bond via Back Propagation Neural Network Based on Mean Impact Value

LI Hong-Zhi¹, TAO Wei², GAO Ting¹, LI Hui¹, LV Ying-Hua^1,2, SU Zhong-Min²

1. College of Computer Science and Information Technology, Northeast Normal University, Changchun 130017, China;
2. Institute of Functional Material Chemistry, College of Chemistry, Northeast Normal University, Changchun 130024, China

Received:2011-05-03 Online:2012-02-10 Published:2012-01-13

摘要/Abstract

摘要： 将基于平均影响值(Mean impact value, MIV)的反向传播神经网络(Back propagation neural netowrk, BPNN)(MIV-BPNN)方法用于提高密度泛函理论(Density functional theory, DFT)计算Y—NO(Y=N, S, O及C)键均裂能的精度. 利用量子化学计算和MIV-BPNN联合方法计算92个含Y—NO键的有机分子体系的均裂能. 结果表明, 相对于单一的密度泛函理论B3LYP/6-31G(d)方法, 利用全参数下的BPNN方法计算92个有机分子均裂能的均方根误差从22.25 kJ/mol减少到1.84 kJ/mol, 而MIV-BPNN方法使均方根误差减少到1.36 kJ/mol, 可见B3LYP/6-31G(d)和MIV-BPNN联合方法可以提高均裂能的量子化学计算精度, 并可预测实验上无法获取的均裂能值.

关键词: Y—NO键, 均裂能, 密度泛函理论, 平均影响值, 反向传播神经网络

Abstract: The back propagation neural network(BPNN) approach based on mean impact value(MIV)(MIV-BPNN) was used to improve the accuracy of density functional theory(DFT) calculation for homolysis bond dissociation energies of Y—NO bond. Quantum chemistry calculations and MIV-BPNN were used jointly to calculate the homolysis bond dissociation energy(BDE) of 92 Y—NO organic molecular systems. The results show that compared to a single density functional theory B3LYP/6-31G(d) approach, full parameters BPNN approach reduces the root-mean-square(RMS) of the calculated homolysis BDE of 92 organic molecules from 22.25 kJ/mol to 1.84 kJ/mol and MIV-BPNN approach further reduces the RMS to 1.36 kJ/mol. It is clear that the combined B3LYP/6-31G(d) and MIV-BPNN approach can improve the accuracy of the homolysis BDE calculation in quantum chemistry and can predict homolysis BDE which can not be obtained experimentally.

Key words: Y-NO bond, Homolysis bond dissociation energy, Density functional theory, Mean impact value, Back propagation neural network

中图分类号:

O641

TrendMD:

李鸿志, 陶委, 高婷, 李辉, 吕英华, 苏忠民. 基于平均影响值的反向传播神经网络方法用于提高密度泛函理论计算Y—NO键均裂能精度. 高等学校化学学报, 2012, 33(02): 346.

LI Hong-Zhi, TAO Wei, GAO Ting, LI Hui, LV Ying-Hua, SU Zhong-Min. Improving the Accuracy of DFT Calculation for Homolysis Bond Dissociation Energies of Y—NO Bond via Back Propagation Neural Network Based on Mean Impact Value. Chem. J. Chinese Universities, 2012, 33(02): 346.

参考文献

[1] Butler A. R., Williams D. L. H.. Chem. Soc. Rev.[J], 1993, 22: 233-241 [2] Averill B. A.. Chem. Rev.[J], 1996, 96: 2951-2964 [3] Palmer R. M., Ferrige A. G., Moncada S.. Nature[J], 1987, 327: 524-530 [4] Ignarro L. J.. Ann. Rev. Pharmacol.Toxicol.[J], 1990, 30: 535-560 [5] Feldman P. L., Griffith O. W., Stuehr D. J.. Chem. Eng. News[J], 1993, 20: 26-38 [6] Fukuto J. M., Ignarro L. J.. Acc. Chem. Res.[J], 1997, 30: 149-152 [7] Moncada S., Palmer R. M. J., Higgs E. A.. Pharmacol. Rev.[J], 1991, 43: 109-142 [8] Ignarro L. J.. Biochem. Pharmacol.[J], 1991, 41: 485-490 [9] Gnewuch C. T., Sosnovsky G.. Chem. Rev.[J], 1997, 97: 829-1014 [10] Cheng J. P., Wang K., Yin Z., Zhu X.Q., Lu Y.. Tetrahedron. Lett.[J], 1998, 39: 7925-7928 [11] Cheng J. P., Xian M., Wang K., Zhu X. Q., Yin Z., Wang P. G.. J. Am. Chem. Soc.[J], 1998, 120: 10266-10267 [12] Xian M., Zhu X. Q., Lu J., Wen Z., Cheng J. P.. Org. Lett.[J], 2000, 2: 265-268 [13] Zhu X. Q., He J., Xian M., Lu J., Li Q., Cheng J. P.. J. Org. Chem.[J], 2000, 65: 6729-6735 [14] Lu J. M., Wittbrodt J. M., Wang K., Wen Z., Schlegel H. B., Wang P. G., Cheng J. P.. J. Am. Chem. Soc.[J], 2001, 123: 2903-2904 [15] Zhu X. Q., Hao W. F., Tang H., Wang C. H., Cheng J. P.. J. Am. Chem. Soc.[J], 2005, 127: 2696-2708 [16] Zhu X. Q., Zhang J. Y., Cheng J. P.. Inorg. Chem.[J], 2007, 46: 592-600 [17] LI Xin(李鑫), ZHU Xiao-Qing(朱晓晴), WANG Xiao-Xiao(王小小), CHENG Jin-Pei(程津培). Chem. J. Chinese Universities(高等学校化学学报)[J], 2007, 28(12): 2295-2298 [18] LI Xin(李鑫), ZHU Xiao-Qing(朱晓晴), CHENG Jin-Pei(程津培). Chem. J. Chinese Universities(高等学校化学学报)[J], 2007, 28(12): 2327-2329 [19] LI Xin(李鑫), CHENG Jin-Pei(程津培). Chem. J. Chinese Universities(高等学校化学学报)[J], 2008, 29(8): 1569-1572 [20] Li X., Deng H., Zhu X. Q., Wang X., Liang H., Cheng J. P.. J. Org. Chem.[J], 2009, 74: 4472-4478 [21] Duan X. M., Song G. L., Li Z. H., Wang X. L., Chen G. H., Fan K.. J. Chem. Phys.[J], 2004, 121: 7086-7095 [22] Wang X. J., Hu L. H., Wong L. H., Chen G. H.. Mol. Simul.[J], 2004, 30: 9-15 [23] Wang X. J., Wong L. H., Hu L. H., Chan C. Y., Su Z. M., Chen G. H.. J. Phys. Chem. A[J], 2004, 108: 8514-8525 [24] Duan X. M., Li Z. H., Song G. L., Wang W. N., Chen G. H., Fan K. N.. Chem. Phys. Lett.[J], 2005, 410: 125-130 [25] Balabin R. M., Lomakina E. I., Safieva R. Z.. Fuel[J], 2011, 90: 2007-2015 [26] Eros D., Keri G., Kovesdi I., Szantai-Kis C., Meszaros G., Orfi L.. Mini. Rev. Med. Chem.[J], 2004, 4: 167-177 [27] Hu L. H., Wang X. J., Wong L. H., Chen G. H.. J. Chem. Phys.[J], 2003, 119: 11501-11507 [28] Gao T., Sun S. L., Shi L. L., Li H., Li H. Z., Su Z. M., Lu Y. H.. J. Chem. Phys.[J], 2009, 130: 184104-184107 [29] Frisch M. J., Trucks G. W., Schlegel H. B., Scuseria G. E., Robb M. A., Cheeseman J. R., Montgomery J. A. Jr., Vreven T., Kudin K. N., Burant J. C., Millam J. M., Iyengar S. S., Tomasi J., Barone V., Mennucci B., Cossi M., Scalmani G., Rega N., Petersson G. A., Nakatsuji H., Hada M., Ehara M., Toyota K., Fukuda R., Hasegawa J., Ishida M., Nakajima T., Honda Y., Kitao O., Nakai H., Klene M., Li X., Knox J. E., Hratchian H. P., Cross J. B., Adamo C., Jaramillo J., Gomperts R., Stratmann R. E., Yazyev O., Austin A. J., Cammi R., Pomelli C., Ochterski J. W., Ayala P. Y., Morokuma K., Voth G. A., Salvador P., Dannenberg J. J., Zakrzewski V. G., Dapprich S., Daniels A. D., Strain M. C., Farkas O. Malick D. K., Rabuck A. D., Raghavachari K., Foresman J. B., Ortiz J. V., Cui Q., Baboul A. G., Clifford S., Cioslowski J., Stefanov B. B., Liu G., Liashenko, A., Piskorz P., Komaromi I., Martin R. L., Fox D. J., Keith T., Al-Laham M. A., Peng C. Y., Nanayakkara A., Challacombe M., Gill P. M. W., Johnson B., Chen W., Wong M. W., Gonzalez C., Pople J. A.. Gaussian 03, Revision C.02[CP], Pittsburgh PA: Gaussian Inc., 2003 [30] Yao F., Yi M., Bo L. L., Liu L., Guo Q. X.. J. Phys. Chem. A[J], 2002, 106: 12386-12392

相关文章 15

[1]	何鸿锐, 夏文生, 张庆红, 万惠霖. 羟基氧化铟团簇与二氧化碳和甲烷作用的密度泛函理论研究[J]. 高等学校化学学报, 2022, 43(8): 20220196.
[2]	黄汉浩, 卢湫阳, 孙明子, 黄勃龙. 石墨炔原子催化剂的崭新道路:基于自验证机器学习方法的筛选策略[J]. 高等学校化学学报, 2022, 43(5): 20220042.
[3]	刘洋, 李旺昌, 张竹霞, 王芳, 杨文静, 郭臻, 崔鹏. Sc₃C₂@C₈₀与[12]CPP纳米环之间非共价相互作用的理论研究[J]. 高等学校化学学报, 2022, 43(11): 20220457.
[4]	王园月, 安梭梭, 郑旭明, 赵彦英. 5-巯基-1, 3, 4-噻二唑-2-硫酮微溶剂团簇的光谱和理论计算研究[J]. 高等学校化学学报, 2022, 43(10): 20220354.
[5]	周成思, 赵远进, 韩美晨, 杨霞, 刘晨光, 贺爱华. 硅烷类外给电子体对丙烯-丁烯序贯聚合的调控作用[J]. 高等学校化学学报, 2022, 43(10): 20220290.
[6]	程媛媛, 郗碧莹. ·OH自由基引发CH₃SSC $H 3 •$ ⁺自由基裂解反应机理的理论研究[J]. 高等学校化学学报, 2022, 43(10): 20220271.
[7]	马丽娟, 高升启, 荣祎斐, 贾建峰, 武海顺. Sc, Ti, V修饰B/N掺杂单缺陷石墨烯的储氢研究[J]. 高等学校化学学报, 2021, 42(9): 2842.
[8]	黄罗仪, 翁约约, 黄旭慧, 王朝杰. 车前草中黄酮类成分结构和性质的理论研究[J]. 高等学校化学学报, 2021, 42(9): 2752.
[9]	钟声广, 夏文生, 张庆红, 万惠霖. 电中性团簇MCu₂O_x(M=Cu²⁺, Ce⁴⁺, Zr⁴⁺)上甲烷和二氧化碳直接合成乙酸的理论研究[J]. 高等学校化学学报, 2021, 42(9): 2878.
[10]	郑若昕, 张颖, 徐昕. 低标度XYG3双杂化密度泛函的开发与测评[J]. 高等学校化学学报, 2021, 42(7): 2210.
[11]	王建, 张红星. 四配位铂磷光发射体结构与光物理性质关系的理论研究[J]. 高等学校化学学报, 2021, 42(7): 2245.
[12]	胡伟, 刘小峰, 李震宇, 杨金龙. 金刚石纳米线氮空位色心的表面与尺寸效应[J]. 高等学校化学学报, 2021, 42(7): 2178.
[13]	杨一莹, 朱荣秀, 张冬菊, 刘成卜. 金催化炔基苯并二𫫇英环化合成8-羟基异香豆素的理论研究[J]. 高等学校化学学报, 2021, 42(7): 2299.
[14]	柳扬, 李清波, 孙杰, 赵显. Ga对在AlN衬底上直接生长石墨烯的远程催化[J]. 高等学校化学学报, 2021, 42(7): 2271.
[15]	应富鸣, 计辰儒, 苏培峰, 吴玮. 基于完全活性空间自洽场的杂化多组态密度泛函方法λ-DFCAS[J]. 高等学校化学学报, 2021, 42(7): 2218.

基于平均影响值的反向传播神经网络方法用于提高密度泛函理论计算Y—NO键均裂能精度

Improving the Accuracy of DFT Calculation for Homolysis Bond Dissociation Energies of Y—NO Bond via Back Propagation Neural Network Based on Mean Impact Value

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价