摘要：采用深度神经网络和Monte Carlo (MC)模拟方法研究了线性高分子链在均质表面以及条纹表面的临界吸附现象.通过MC模拟退火算法构建高分子链的构象样本集,采用状态标记法和温度标记法对模拟产生的样本集进行标记并采用神经网络对标记后的样本进行训练,发现神经网络可以很好地识别高分子链在均质表面的脱附态和吸附态以及在条纹表面的脱附、多条纹吸附和单条纹吸附的三个不同状态,且发现神经网络对这两种样本标记法得到一致的临界吸附温度.通过对训练集大小与神经网络的识别率之间的关系进行研究,发现神经网络可以在每个温度抽取较少的训练样本集上学习得到较高的高分子链构象状态的识别率.神经网络结合传统MC方法可以为高分子模拟计算研究提供一种新的方法.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社