基于深度學習的含能材料生成焓預測方法

徐雅斌，孫勝杰，武 裝

（1. 北京信息科技大學計算機學院，北京 100101；2. 網絡文化與數字傳播北京市重點實驗室，北京 100101；3. 北京材料基因工程高精尖創新中心北京信息科技大學，北京 100101）

1 引言

含能材料是一種在被加熱激發后，不需要外界物質的參與即可通過自身的化學反應釋放出能量的材料。作為炸藥、火箭和導彈等推進劑配方的重要組分［1］，在民用、國防、航天及空間站等領域已有廣泛應用。如何提高能量始終是含能材料研究的一個主要目標和研究課題［2］。

在含能材料的研制過程中，生成焓是其能量性質的重要參數［3］。利用生成焓可以判斷物質的相對穩定性、可以知道化學反應中的能量變化，這對于了解、控制和利用化學物質及化學反應是非常關鍵的。因此，獲取含能材料的生成焓至關重要。目前，傳統的含能材料生成焓獲取方法，主要基于量子化學理論，使用高精度計算方法，如：原子化方法［4］、氧彈量熱法［5］、等鍵反應方法［6］、半經驗分子軌道理論（PM3）和分子力學（MM2）方法相結合的方法［7］等進行計算。但是這種方法需要首先利用密度泛函、Gess 定律、PM3 和MM2 等方法獲取出計算生成焓的中間元素，之后再進行具體生成焓的計算。因此，在進行中間元素的計算時，不能保證計算的準確度，同時也會產生很大的計算量。

隨著機器學習的不斷發展，逐漸有人使用機器學習的方法對含能材料的生成焓進行預測。文獻［8-10］中均采用人工神經網絡分別對非芳香族多硝基化合物、芳香族多硝基化合物和高氮化合物的生成焓進行預測。……