人工神经网络用于锕系离子An3+水解常数pK1预测研究.pdf

第6期 无 机 化 学 学 报 VoL18No．6 CHINESE OFINORGANICCHEMISTRY Jun，2002 2002年6月 JOURNAL 筛蕊{ b》s；929i，i，≈则 人工神经网络用于锕系离子An3+水解常数pK，预测研究 杨兴华’·I张南生-潘忠孝： (1湖南省怀化师专化学系，怀化418008) (2中国科学技术大学应用化学系，合肥230026) 关键词： 镧系金属离子 镧系金Rill子 水解常数 函数连接型神经网络(FIN) 预测 分类号： 0614·33 A 0引言 等几个离子的PK．o值，但前两个离子的数据由于 水解常数是金属离子水溶液化学的基础数据． 测定条件不同或未知。显然不具有可比性。 对于研究水溶液中离子的状态以及进一步研究其在 我们曾运用人工神经网络FLN对镧系离子 水溶液中的其它化学行为是必不可少的。一般金属 Ln“的水解常数PK．等进行构性关系研究“】，取得 离子(包括镧系金属离子)的水解常数数据相对较为 了很好的结果。本文将首次运用人工神经网络方法． 完善，对它们水解的规律性也有不少研究，但锕系金 在上述少数已知样本的基础上．对锕系An“离子水 属离子的水解常数数据迄今较缺乏，特别是重锕系 解常数PK，进行预测。 的水解常数数据基本空缺“～I。这主要是因为锕系 由于已知样本太少(本文选取“=0．1时．Am“ 多为放射性元素．重锕系则基本是人工元素，被发现 等四个离子的PKt作为已知样本)，预测的可靠性 或合成较晚，即使通过核反应合成，量也往往极少 可能受到质疑。为此。将Ln“系列已知样本与上述 (常以多少个原子个数计算)．且半衰期大多很短，因 已知的An”样本组成混合训练集对FI,N进行训 而从获取样品到进行有关化学研究都相当困难。随 练。结果表明．FIN的训练和预测取得较稳定的结 着核科学技术的研究进展．可望使锕系元素的化学 果。 性质研究更加深入。而另一方面．核科学技术的发 展也依赖于对这些元素的化学性质及其基础数据的 1 函数连接型神经网络(FLN)原理 掌握。锕系水解常数对于锕系水溶液化学的深入研 本文采用Paot‘I提出的一种新型神经网络．函 究具有重要意义。 数连接型网络(FLN)。这种网络克服了经典BP网的 锕系与镧系一样属于f内过渡系元素。镧系在 某些固有缺点：如学习速度慢、易陷于局部极小以及 水溶液中有特征稳定价态+3价；锕系中重锕系的 难以确定隐含层结点数等。它采用函数连接增强的 稳定价态也是+