一种图神经网络的数据-机理驱动的材料属性预测方法技术

本发明专利技术公开了一种图神经网络的数据

A data mechanism driven material property prediction method based on graph neural network

【技术实现步骤摘要】
一种图神经网络的数据
‑
机理驱动的材料属性预测方法


[0001]本专利技术涉及材料发现和图神经网络
，特别涉及一种图神经网络的数据
‑
机理驱动的材料属性预测方法。

技术介绍

[0002]分子材料广泛应用于医疗卫生、食品、日常化工等领域。因此，加快新分子材料的发现对促进科学和社会的发展具有重要意义。目前，分子材料的研究非常耗时，需要大量的努力来确定一定的目标性质，优化分子的合成条件。理论高通量计算方法通常用于预测分子的性质。这种有合理解释的机制驱动的计算模型可以有效地加速新材料的发现。然而，机构驱动的计算模型是一个具有参数简化的理论模型。它忽略了材料缺陷、真实环境、设施、研究人员技能等因素的影响。这些因素可能会导致预测的不准确性。
[0003]近年来，大数据驱动的人工智能方法被广泛应用于计算机视觉、自然语言处理、医学和交通等领域。由于分子大数据的强大的非线性能力和可行性，基于机器学习和深度学习的材料特性预测受到了研究者的广泛关注。目前，材料中的人工智能方法主要有两个方面。一种是基于描述符的机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，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...

【专利技术属性】
技术研发人员：张桃红，陈赛安，陈晗，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：