当前位置: 中文主页

黄冰

个人信息Personal information

  • 博士生导师
  • 硕士生导师
  • 教师拼音名称:Huang Bing
  • 电子邮箱:
  • 所在单位:化学与分子科学学院
  • 学历:博士研究生毕业
  • 办公地点:化学院C214
  • 性别:男
  • 联系方式:bhuang@whu.edu.cn
  • 在职信息:在职
  • 主要任职:教授
  • 毕业院校:武汉大学化学与分子科学学院
  • 所属院系:化学与分子科学学院

联系方式Contact information

邮编: 

通讯/办公地址: 

邮箱: 

研究方向

机器学习与量子化学(点此了解更多)

发展用于量子化学的机器学习(Machine Learning,ML)方法,包括但不限于:

i)分子表象设计,即基于分子的2D或3D结构信息(如原子核电荷数Z和空间坐标R)的特定组合方式的、具有固定格式的矢量化表达

ii)分子大数据的构建(数据是当今ML领域的第一驱动力,其构建、尤其是高精度分子数据集的构建是关键)

iii)化学空间的采样与探索(化学空间是巨大的,可稳定存在的且能够被合成的分子的数量级>>宇宙中的原子总数;但该空间也是相当冗余的,如何使其降维从而更高效地探索整个化学空间是个非常具有挑战而又有趣的课题)

iv)机器学习模型的构建(如基于组合数学的多置信度方法,可以普遍地实现高精度预测,而训练过程只需少量高精度和大量低精度数据的集合)


基于发展的机器学习模型,主要用于解决如下问题:

a)机器学习力场或原子间势(基于此,我们可以突破传统量子化学模拟的极限,如拓展到接近实际情形下的溶液相有机化学反应的模拟)

b)直接的量子化学性质预测(即从分子结构到分子性质的映射)

c)加速从头量子化学计算(即直接加速求解薛定谔方程过程中的核心步骤,可以基于自洽场或是相关方法的框架)

d)分子的逆向设计(即给定目标性质,基于训练好的深度神经网络来优化得到相应的分子的组成与结构)