阅读说明：本技术 一种基于非冯诺依曼架构的分子动力学计算方法 (Molecular dynamics calculation method based on non-von Neumann architecture ) 是由 刘杰 周骞 周晓凡 莫平辉 叶雅琴 史余辉 于 2020-05-05 设计创作，主要内容包括：本发明属于人工智能领域,公开了一种基于非冯诺依曼架构的分子动力学计算方法。本发明首先选定一个原子作为参考原子,并根据其初始位置构建局部坐标环境；将参考原子截断半径内每个原子的全局坐标转换为局部坐标环境下的局部坐标并求得其输入特征,作为参考原子的所有特征参数；将所有特征参数输入到一个全连接多层感知机神经网络框架,拟合得到参考原子的受力；并行求得所有原子的受力后,根据每个原子的初始位置,速度以及受力,求得所有原子新的位置；重复执行上述步骤,并记录每一次的位置结果,最终整合得到分子动力学计算的结果。本发明在确保高精度计算分子动力学的基础上,对计算效率有极大的提升,具有高精度、高效率的特点。(The invention belongs to the field of artificial intelligence and discloses a molecular dynamics calculation method based on a non-von Neumann architecture. Firstly, selecting an atom as a reference atom, and constructing a local coordinate environment according to the initial position of the atom; converting the global coordinate of each atom in the truncation radius of the reference atom into a local coordinate under a local coordinate environment, and obtaining the input characteristic of the local coordinate as all characteristic parameters of the reference atom; inputting all characteristic parameters into a fully-connected multi-layer perceptron neural network frame, and fitting to obtain the stress of a reference atom; after the stress of all atoms is solved in parallel, new positions of all atoms are obtained according to the initial position, the speed and the stress of each atom; and (4) repeatedly executing the steps, recording the position result of each time, and finally integrating to obtain the result of the molecular dynamics calculation. The method greatly improves the calculation efficiency on the basis of ensuring high-precision calculation molecular dynamics, and has the characteristics of high precision and high efficiency.)

一种基于非冯诺依曼架构的分子动力学计算方法

技术领域

本发明涉及加速分子动力学计算的方法，通过神经网络拟合原子间受力以及非冯诺依曼计算架构，在确保高精度计算的基础上，实现分子动力学计算效率的极大提升，属于人工智能领域。

背景技术

传统的分子动力学计算都是基于密度泛函理论，并借助计算机软件仿真完成，虽然能够保证运算精度，但其高额的计算成本限制了它在成百上千个原子和时间尺度为100ps的系统中的应用。近年来，机器学习方法，尤其是深度学习被认为是利用密度泛函理论数据建立分子体系势能面模型的工具，并实现了显著的效率提升。但是目前大多数计算架构都采用传统的冯诺依曼架构，也就是将处理器与内存分开设计，导致大量的数据传输严重限制系统的整体效率，不适用于高维物质的分子动力学计算。针对这个问题，模仿人脑结构设计的存算一体化架构以实现分布式和并发式传递数据，相当于超大规模的并行计算。实现基于该架构的分子动力学计算系统，对于物理，生化和医疗界的人工智能意义重大。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供了一种基于非冯诺依曼架构的分子动力学计算方法，通过神经网络加速分子动力学计算，从而完成精准的分子动力学仿真。

本发明所采用的技术方案是：

一种基于非冯诺依曼架构的分子动力学计算方法，包括以下步骤：

1)对于一多原子的体系，选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；

2)将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；

3)根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；

4)将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；

5)按照步骤1-4得到体系中所有原子的受力，并根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；

6)重复执行步骤1-5，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。

作为本发明的进一步改进，所述步骤1)中，对于一多原子的体系，选定参考原子的局部坐标环境表示为其中e_z＝e_x×e_y，dr₁₂＝r₂-(r₂·e_x)·e_x是由施密特正交计算得来，r₁和r₂分别代表在参考原子截断半径内由参考原子指向第一和第二相邻的两个原子的向量，|r₁|和|dr₁₂|分别表示向量r₁和向量dr₁₂的模长。

作为本发明的进一步改进，所述步骤2)中，将参考原子截断半径内每个原子在参考原子局部坐标环境A下的局部坐标表示为其中是参考原子截断半径内某个原子R_i的全局坐标，(x_i，y_i，z_i)是该原子R_i转换过后的局部坐标。

作为本发明的进一步改进，所述步骤3)中，将参考原子截断半径内某个原子R_i的输入特征表示为其中x_i，y_i和z_i分别代表原子R_i局部坐标三个方向上的值，代表该原子所在向量的平方和。

作为本发明的进一步改进，所述步骤3)中，参考原子所有特征参数的确定方法是将参考原子截断半径内所有原子按照与参考原子的相对距离排序，并按照步骤1-3所述求得参考原子截断半径内所有原子的输入特征，作为该参考原子的所有特征参数。

作为本发明的进一步改进，所述步骤4)中，全连接多层感知机神经网络是包括多输入层节点、多输出层节点的全连接网络，并且该网络的输入层节点值为参考原子的所有特征参数，输出层节点值为该参考原子所受三个方向的力。

作为本发明的进一步改进，所述步骤4)中，全连接多层感知机神经网络的隐藏层使用双曲正切函数作为激活函数，该函数的处理方式是利用坐标旋转计算的方式进行，输出层使用线性函数作为激活函数。

作为本发明的进一步改进，所述步骤5)中，体系中所有原子受力的确定方法是将每个原子都并行作为参考原子设计并行单元，每个并行单元都按照步骤1-4所述求得对应的原子受力，作为所有原子的受力。

作为本发明的进一步改进，所述步骤5)中，将体系中某个原子新的位置表示为x₁＝x₀+v₁*dt，其中x₁表示该原子新的绝对位置，x₀表示该原子原来的绝对位置，dt表示体系的运行时间，表示该原子新的运动速度，v₀表示该原子的初速度，f表示该原子所受的力，m表示该原子的质量，所有的原子都按照所述公式计算后即可得到该体系中所有原子新的位置。

作为本发明的进一步改进，所述步骤6)中，记录每一次计算的位置结果，并将该次位置结果作为下一次计算的初始值，重复执行步骤1-5，最终整合得到分子动力学计算的结果。

与现有技术相比，本发明所具有的有益效果为：

本发明提供了一种基于非冯诺依曼架构的分子动力学计算方法，针对传统的密度泛函理论计算分子动力学复杂度高的问题，通过构造神经网络拟合原子间受力，在保证运算精度的基础上，利用非冯诺依曼架构实现高效分子动力学计算。与传统的方法相比，本方法具有高精度、高效率的特点。

附图说明

图1是本发明实施的总体流程图；

图2是本发明提出的基于非冯诺依曼架构的分子动力学计算系统架构图；

图3是全连接多层感知机神经网络框架图；

图4是通过本发明进行苯环分子的100次分子动力学计算后，键长和键角的动态变化对比结果图；

图5是通过本发明进行水分子的100次分子动力学计算后，标准振动模式分析的对比结果图；

图6是在相同原子数的系统环境下，利用传统密度泛函理论进行分子动力学计算、利用神经网络在CPU上进行分子动力学计算、以及本发明的计算耗时对比结果图。

具体实施方式

下面结合说明书附图和具体实施例对本发明作进一步详细说明。

参照附图1，本发明提出的一种基于非冯诺依曼架构的分子动力学计算方法，该方法首先在一多原子的体系中选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；然后将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；并行求得体系中所有原子的受力后，根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；重复执行上述步骤，并记录每一次的位置结果，最终整合得到分子动力学计算的结果。附图2是本发明提出的基于非冯诺依曼架构的分子动力学计算系统架构图。首先，控制模块将体系中所有原子的全局坐标x₀输入特征求取模块，并将对应的初速度v₀输入积分模块；接着，通过参考原子的邻域建立局部坐标环境，在该环境下将截断半径内所有原子的全局坐标转换为局部坐标，并计算参考原子的所有输入特征x′₀；参考原子的所有输入特征经过MLP拟合后，得到该原子的受力f；最后经过积分模块，求得新的原子坐标x₁，再次输入控制模块，作为下一次计算的初始值，以此循环。

本发明的优选实施步骤如下所述：

1.对于一多原子的体系，选定一个原子作为参考原子，并根据其初始位置构建参考原子的局部坐标环境；

对于一多原子的体系，选定参考原子的局部坐标环境表示为其中 e_z＝e_x×e_y，dr₁₂＝r₂-(r₂·e_x)·e_x是由施密特正交计算得来，r₁和r₂分别代表在参考原子截断半径内由参考原子指向第一和第二相邻的两个原子的向量，|r₁|和|dr₁₂|分别表示向量r₁和向量dr₁₂的模长。

2.将参考原子截断半径内每个原子的全局坐标转换为参考原子局部坐标环境下的局部坐标；

将参考原子截断半径内每个原子在参考原子局部坐标环境A下的局部坐标表示为其中是参考原子截断半径内某个原子R_i的全局坐标，x_i，y_i，z_i)是该原子R_i转换过后的局部坐标。

3.根据参考原子截断半径内每个原子的局部坐标求得各个原子的输入特征，作为参考原子的所有特征参数；

将参考原子截断半径内某个原子R_i的输入特征表示为其中x_i，y_i和z_i分别代表原子R_i局部坐标三个方向上的值，代表该原子所在向量的平方和。

参考原子所有特征参数的确定方法是将参考原子截断半径内所有原子按照与参考原子的相对距离排序，并按照步骤1-3所述求得参考原子截断半径内所有原子的输入特征，作为该参考原子的所有特征参数。

4.将参考原子的所有特征参数输入到一个全连接多层感知机神经网络框架，拟合得到参考原子的受力；

如图3所示，全连接多层感知机神经网络是包括多输入层节点、多输出层节点的全连接网络，并且该网络的输入层节点值为参考原子的所有特征参数，输出层节点值为该参考原子所受三个方向的力。

全连接多层感知机神经网络的隐藏层使用双曲正切函数作为激活函数，该函数的处理方式是利用坐标旋转计算的方式进行，输出层使用线性函数作为激活函数。

5.按照步骤1-4得到体系中所有原子的受力，并根据每个原子的初始位置，速度以及受力，求得体系中所有原子新的位置；

体系中所有原子受力的确定方法是将每个原子都并行作为参考原子设计并行单元，每个并行单元都按照步骤1-4所述求得对应的原子受力，作为所有原子的受力。

将体系中某个原子新的位置表示为x₁＝x₀+v₁*dt，其中x₁表示该原子新的绝对位置，x₀表示该原子原来的绝对位置，dt表示体系的运行时间，表示该原子新的运动速度，v₀表示该原子的初速度，f表示该原子所受的力，m表示该原子的质量，所有的原子都按照所述公式计算后即可得到该体系中所有原子新的位置。

6.重复执行步骤1-5，并记录每一次的位置结果，最终整合得到分子动力学计算的结果；

记录每一次计算的位置结果，并将该次位置结果作为下一次计算的初始值，重复执行步骤1-5，最终整合得到分子动力学计算的结果。

图4是通过本发明进行苯环分子的100次分子动力学计算后，键长和键角的动态变化对比结果图，其中黑色曲线是本发明在FPGA内的计算结果，白色曲线是CPU的计算结果，可见本发明的计算结果与CPU基本拟合；图5是通过本发明进行水分子的100次分子动力学计算后，标准振动模式分析的对比结果图，黑色曲线是本发明在FPGA内的计算结果，白色曲线是CPU的计算结果，由此可以看出，本发明能够达到高精度计算分子动力学的目的；图6是在相同原子数的系统环境下，利用传统密度泛函理论进行分子动力学计算、利用神经网络在CPU上进行分子动力学计算、以及本发明的耗时对比结果图，可见本发明能够比利用神经网络在CPU上进行分子动力学计算加快2个数量级，并且能够比利用传统密度泛函理论进行分子动力学计算加快6个数量级，由此可以看出本发明的高计算效率的特点。

上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。