一种图神经网 络的数据-机理驱动的材料属性预测方法
发布时间：2022-11-28 11:44:03 所属栏目：大数据 来源：
导读： 技术特征：
1.一种图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，包括：s1，获取待预测材料分子的描述符特征和图结构；s2，利用特征工程筛选出最终的特征描述符；s3，利用图卷积和图注意力
1.一种图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，包括：s1，获取待预测材料分子的描述符特征和图结构；s2，利用特征工程筛选出最终的特征描述符；s3，利用图卷积和图注意力
|
技术特征： 1.一种图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，包括：s1，获取待预测材料分子的描述符特征和图结构；s2，利用特征工程筛选出最终的特征描述符；s3，利用图卷积和图注意力网络提取不同层次的分子图特征；s4，利用特征融合层将分子图特征与描述符特征相融合；s5神经网络法 大数据，利用修正模块来将计算值和实验值进行更好的融合；其中，所述的计算值为第一性原理模拟计算得出的数值，实验值为实验测得的实际的材料属性；s6，将机理驱动模型的计算值与深度学习数据驱动模型融合用于模型推理，并输出预测属性的数值。2.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s1中，获取待预测材料分子的描述符特征和图结构，具体流程包括：通过网站获取具有图结构信息以及实验数据的json文件，其中图结构信息包括原子属性和键的属性，分子相应的描述符特征使用开源化学信息软件rdkit在线收集，分子描述符涵盖了分子的基本性质、电子性质、拓扑性质。3.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s2中，利用特征工程筛选出最终的特征描述符，具体流程包括：对初始的特征描述，构建多项式特征来进行特征筛选降低数据拟合的难度，使用皮尔逊相关系数和最大信息系数对多项式特征的相关度进行排序，筛选出最终的特征描述符。4.如权利要求3所述的多项式特征，其特征在于，所述多项式特征，包括：特征描述符可以表示为x＝{x1,x2,x3,...,x k },k表示特征的维度，使用x2,x 1/2 ,ln(1+x)进行特征多项式变换，构建的多项式特征为进行特征多项式变换，构建的多项式特征为5.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s3中，利用图卷积和图注意力网络提取不同层次的分子图特征，包括：构建包含不同卷积数量的特征提取层提取不同层次的分子特征，浅层的图卷积获取局部的特征信息，深层的图卷积获取全局的长范围的特征信息，图卷积可以对分子中原子的邻居信息进行聚集，图卷积的层数越多，可获取的特征信息越广，图注意力可以对每个原子周围的邻居节点进行权重的调整，图网络的输入为三元组{v,e,a}，其中v表示构成分子的原子的特征矩阵，e表示边的特征矩阵，a表示图的邻接矩阵。6.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s4中，利用特征融合层将分子图特征与描述符特征相融合，包括：特征融合层将经过特征工程筛选得到的描述符特征与经过图神经网络特征提取得到的分子图特征相融合，描述符特征是基于电子和外围结构进行建模的，这些计算方法包含了大量的三维信息和核外电子的相互作用信息，可以用来补充图结构的信息丢失问题。7.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s5中，利用修正模块来将计算值和实验值进行更好的融合；其中，所述的计算值为第一性原理模拟计算得出的数值，实验值为实验测得的实际的材料属性，包括：为了更好的将计算值和实验值进行更好的融合，使用实验值来构造深度学习的预测标 签l，深度学习预测标签l既考虑了深度学习模型的预测结果，又考虑了真实的实验数据，避免理论模型计算值的理想化。8.如权利要求1所述的图神经网络的数据-机理驱动的材料属性预测方法，其特征在于，所述s6中，将机理驱动模型的计算值与深度学习数据驱动模型融合用于模型推理，并输出预测属性的数值，包括：机理驱动模型是通过公式计算出分子的属性数值，机理驱动模型产生的结果是可解释且可信的，通过机理驱动模型来对深度学习模型进行调制，增强深度学习模型输出的准确性。 技术总结 本发明公开了一种图神经网络的数据-机理驱动的材料属性预测方法，包括：S1，获取待预测材料分子的描述符特征和图结构；S2神经网络法 大数据，利用特征工程筛选出最终的特征描述符；S3，利用图卷积和图注意力网络提取不同层次的分子图特征；S4，利用特征融合层将分子图特征与描述符特征相融合；S5，利用修正模块来将计算值和实验值进行更好的融合；其中，所述的计算值为第一性原理模拟计算得出的数值，实验值为实验测得的实际的材料属性；S6，将机理驱动模型的计算值与深度学习数据驱动模型融合用于模型推理，并输出预测属性的数值。本发明融合了分子的描述符特征和图结构特征，克服了图结构数据信息不完全和描述符特征忽略分子属性的问题。完全和描述符特征忽略分子属性的问题。完全和描述符特征忽略分子属性的问题。 （编辑：天瑞地安资讯网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐