"基于群智能和机器学习的原子团簇最优结构预测研究"

本论文的研究对象是原子团簇的最优结构问题，特别以金原子团簇和硼原子团簇为例，探讨了一种基于势能函数、群智能优化和机器学习的混合模型来预测原子团簇的稳态结构。 原子团簇作为由数个至数千个原子相互作用形成的相对稳定聚集体，其物理和化学性质取决于所包含的原子数和原子空间结构。对于寻找原子团簇的最优结构，这是一个非确定性多项式求解（NP-Hard）难题，涉及计算机、物理和化学等领域的研究。 文章首先介绍了改进的粒子群优化算法（IPSO）。通过利用给定的Au20和B45−团簇结构及其能量值，该算法对势能模型的参数进行优化，以使模型的能量值与给定数据最好地匹配。这样可以得到一种更准确的势能模型，为后续的预测提供基础。 其次，为了满足机器学习模型的输入要求，本文建立了库伦矩阵来对团簇结构信息进行数据表征。将转换后的数据与第一步的势能计算结果同时输入机器学习集成算法（Stacking）和神经网络门控循环单元（GRU）中进行训练。通过利用给定的Au20和B45−原子团簇的能量值进行训练，得到了可以预测Au团簇和B-团簇最优结构的模型。 另外，考虑到已有的研究表明高度对称的团簇结构具有较低的能量值，本文在第一步和第三步中都采用了高度对称的结构作为初始结构。这样的设计可以进一步优化模型的性能和预测结果的准确性。 综上所述，本论文提出了一种基于势能函数、群智能优化和机器学习的混合模型来预测原子团簇的稳态结构。通过利用改进的粒子群优化算法来优化势能模型的参数，并结合库伦矩阵和机器学习集成算法以及神经网络门控循环单元，可以得到准确且可靠的预测结果。这种方法不仅对金原子团簇和硼原子团簇有效，也有潜力在其他类型的原子团簇结构预测中应用。 最后，本论文的研究对于深入理解原子团簇的稳态结构以及其相关的物理和化学性质具有重要意义。同时，该研究方法也为相关领域的研究者提供了一种新的思路和方法，可以为原子团簇的最优结构预测问题提供一种有效的解决方案。