02.Gaussian优化底物小分子结构

Gaussian优化底物小分子结构

1. 双系统下的软件安装

	首先想办法安装好在Windows和Linux上的Gauss View及Gaussian
	我的Gaussian在Windows上是16版本,在Linux上是09版本
	成功安装任意一个版本都行。

2. 在Gauss View中构建小分子结构

在这里插入图片描述

	基本上用这几个就可以满足构建工作了
	画环、加各种各样的元素及基团、改键位

3. 优化信息设置

	教程在这:https://blog.sciencenet.cn/blog-548663-942117.html
	严格按照此教程做的,做到教程中用Gaussian开始优化部分 
	
	过程中遇到的主要问题有两个
	Q1:其一是无法确定自旋多重度的确定方法。
		产物的电荷是0,自重多旋度设为1,这个是没问题的。
		中间体的电荷是1,自重多旋度怎么确定不知道,一开始蒙的1。
	A1:关于自旋多重度的问题,高斯应该是你设定了电荷后会自动调整自旋多重度
		一般默认不带电荷自旋多重度是1,带一个电荷不论正负自旋多重度都会变成3,
		再加一个电荷又会变成1。
		简单说就是体系总电子是偶数自旋就是1,体系总电子是奇数自旋就是3。
		所以你中间体电荷为1,自旋就选tri(3)。
		
	Q2:其二是当我构建好产物的结构,然后去按照教程里面一步步的去填补信息后,
		回头再打开产物的gif文件看看,总是不是原来的结构,就比如这两个键构造的时候就没连在一起,
		但是我设置完信息,准备运行的时候,回头再检查时,看到的却是连接在一起了。
		我怀疑可能是我删了下面那堆“没用的信息”或者是“Gauss”自己的判断,让他们连在了一起,
		但是,更令我感到疑惑的是,将这份"错误"的构象放到Linux中去运行,
		跑出来的结果文件Log文件确是正确的结构。
	A2:链接化学键的问题就是你删除的后面的那些信息。
		量子化学计算不涉及化学键的信息,即使你在gjf后面提供了那些链接信息,也不在计算中起作用,
		所以只要原子位置信息正确就能算出正确结果,化学键他会根据距离自行判断。
		所以你算完的结果是正确的。
		至于开始gjf你想要保持正确的链接显示,手动调整就行。
		“中间过程的显示出入不用管,初始结构正确,最终优化结果结构正确就可以了”

	Q3:我把自旋多重度设置为3以后重新优化中间体。优化完的结构和原来的不是完全一样
		他会把碳碳双键,变成碳碳虚实结合键,这样的结果正确吗
		但如果将电荷为1的中间体自旋多重度不设置为3也设置为1的话
		就不会出现这种情况、优化完结构是一模一样的
		所以对于结果这个键的变化 应该怎么理解
	A3:化学键是高斯根据距离和电子云分布自行判断的
		你带电荷后那个位置就不应该是双键了
		肯定是化学键要发生变化
		所以无需在意中间体优化后“键的变化”

总结一下就是:
	1.无需在意产物在构造初始结构后,投入运算优化前这个中间状态的出入
	2.也无需在意中间体自旋设置为3以后双键变为虚实结合键的问题

4. 运行效果

	Windows 以1GB内存,8cpu优化小分子 每次大概在一下午左右,
	但是在64GB(好像是,32cpu的Linux系统下运行,每次大概在半小时左右
	然后运行过程中几乎没什么反馈,Windows就像卡住了一样,最后生成一个out文件
	Linux系统下通过g09+xxx.gjf命令即可运行,输入后更是一点反馈都没有
	可以用tail -f xxx.log文件观看进度,最后生成一个log文件
	经查证,二者都是输出文件,效果是一样的。
	当文件中Converged?这个下面的四个No、No、No、No都变成Yes之时,
	即是底物小分子优化完成之势。
	一次偶然的机会让我发现,相同的输入文件,在两个系统下分别优化,
	得到的结果也是一样的,所以用哪个都可以。

	得到输出文件以后,使用Gauss View打开,保存为pdb格式文件,
	就可以进行后续的分子对接了!
### 关于 `cupyx.scipy.stats.gaussian_kde` 的用法 `cupyx.scipy.stats.gaussian_kde` 是 CuPy 库中的一个模块,用于实现高斯核密度估计 (Gaussian Kernel Density Estimation),这是统计学中一种非参数方法,用来估计概率密度函数。该功能类似于 SciPy 中的 `scipy.stats.gaussian_kde`,但它利用 GPU 加速来提高计算效率。 以下是有关其基本用法的信息: #### 基本概念 `gaussian_kde` 可以通过一组样本数据点估算出连续的概率密度函数。它适用于一维或多维数据集,并支持调整带宽参数以控制平滑程度[^4]。 #### 安装依赖项 为了使用 `cupyx.scipy.stats.gaussian_kde`,需要安装以下库: - **CuPy**: 提供 NumPy 风格接口并运行在 CUDA 上。 - **SciPy**: 虽然主要操作由 CuPy 执行,但某些部分可能仍需基础 SciPy 支持。 可以通过 pip 或 conda 进行安装: ```bash pip install cupy scipy ``` #### 使用示例 下面是一个简单的例子展示如何使用 `cupyx.scipy.stats.gaussian_kde` 来评估二维数据上的核密度估计: ```python import cupy as cp from cupyx.scipy.stats import gaussian_kde # 创建一些随机数据作为输入 data = cp.array([[1, 2], [3, 4], [5, 6]]) # 初始化 Gaussian KDE 对象 kde = gaussian_kde(data) # 计算指定位置处的密度值 points_to_evaluate = cp.array([[2, 3], [4, 5]]) density_values = kde(points_to_evaluate) print(density_values.get()) # 将结果转换回主机内存打印 ``` 此代码片段展示了如何创建一个基于给定数据点集合的对象实例化过程以及查询特定坐标下的 PDF 数值的方法[^5]。 #### 参数说明 | 参数名 | 描述 | |--------|------| | dataset | 输入的数据矩阵形状应为 `(维度数, 数据点数量)` 形式的数组-like 结构 | | bw_method | 控制带宽的选择方式;可以是字符串 ('silverman', 'scott') 或者自定义浮点数值 | 更多高级选项可查阅官方文档获取进一步指导[^6]。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值