一种基于深度学习的材料自旋霍尔电导预测方法技术

本发明专利技术公开了一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。本发明专利技术采用的数据集的数据量充分，得到的预测结果与真实结果较为接近，预测速度较快，占用计算资源少。占用计算资源少。占用计算资源少。

【技术实现步骤摘要】
一种基于深度学习的材料自旋霍尔电导预测方法


[0001]本专利技术属于材料性质预测
，具体涉及一种基于深度学习的材料自旋霍尔电导预测方法的设计。

技术介绍

[0002]在材料的众多物理效应中，霍尔效应是一种重要的电磁效应，当导体材料受到一个与其内通过的电流方向垂直的磁场时，在洛伦兹力的影响下，导体材料中的电子会聚集在导体材料两端，形成磁场，使得后面通过的载流子不发生偏移。霍尔效应在传感器的制作上有着广泛的应用。自旋霍尔效应是一种特殊且重要的霍尔效应，通过在半导体材料内进行垂直方向的自发诱导，可以大大提升半导体材料的电导。自旋霍尔电导可以使材料的能量耗散降到很低，生产的器件对于计算机和量子计算领域都有巨大的推动作用。
[0003]在材料科学领域，通常使用高通量方法对自旋霍尔电导进行计算，这种方法一般耗时较长，计算周期为一周左右，同时需要消耗较大的计算资源。近年来，随着深度学习技术的发展，越来越多的科学家将其应用于材料性质预测领域，根据以往的实验数据，分析预测影响待预测性质的因素和其变化的规律，目前已经有材料科学家构建深度学习神经网络模型对材料能带间隙结构进行预测，还有利用卷积神经网络对化合物的形成能和超导转变温度进行预测。
[0004]目前，利用深度学习技术对材料自旋霍尔电导预测的研究较少，根据材料科学相关理论研究指出，材料的能带数据对自旋霍尔电导有一定的影响作用，因此需要一种技术利用材料能带数据对自旋霍尔电导进行预测，以缩短获取材料的自旋霍尔电导的时间，同时还能够验证材料的某些物理性质对自旋霍尔电导的影响，为材料科学的理论发展提供参考。

技术实现思路

[0005]本专利技术的目的是为了解决现有自旋霍尔电导计算方法耗时较长且需要消耗较大的计算资源的问题，提出了一种基于深度学习的材料自旋霍尔电导预测方法。
[0006]本专利技术的技术方案为：一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：
[0007]S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集。
[0008]S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集。
[0009]S3、构建深度神经网络模型。
[0010]S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型。
[0011]S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。
[0012]进一步地，步骤S1中数据扩充的具体方法为：选取自旋霍尔电导所在能量附近的
五条能带作为一条能带数据，每条能带数据包括306个点位和每个点位对应的能量值。
[0013]进一步地，步骤S1中数据处理的具体方法为：当某个点位能带劈裂程度大于0.1eV时，该点位的能量值为同轨道两条能带上同点位较低的能量值与带权值的能带劈裂程度之和。
[0014]进一步地，步骤S2中训练集、验证集和测试集的比例为7:2:1。
[0015]进一步地，步骤S3中构建的深度神经网络模型包括依次连接的能带特征提取模块、时序特征提取模块、Transformer特征提取模块和全连接层。
[0016]能带特征提取模块用于接收输入的二维能带数据，对每条能带的物理特征进行提取，并作为时序特征提取模块的输入。
[0017]时序特征提取模块用于对每条能带的时序特征进行提取，并作为Transformer特征提取模块的输入。
[0018]Transformer特征提取模块用于对能带间特征进行提取，并作为全连接层的输入。
[0019]全连接层用于输出材料自旋霍尔电导预测结果。
[0020]进一步地，能带特征提取模块的输入通道数为5，每个通道序列长度为306，基于残差网络结构进行设计，采用一维卷积进行特征提取，将4种残差模块进行堆叠，第一种残差模块的个数为3，输出通道数为256，第二种残差模块的个数为4，输出通道数为512，第三种残差模块的个数为6，输出通道数为1024，第四种残差模块的个数为3，输出通道数为2048，输出序列长度为73。
[0021]进一步地，时序特征提取模块的输入序列长度为73，输入通道数为2048，采用层数为2的双向LSTM和残差的方式设计基础模块，由三个基础模块堆叠组成时序特征提取模块。
[0022]进一步地，Transformer特征提取模块采用通道注意力机制和Transformer的编码器设计基础模块，将三个基础模块堆叠构成Transformer特征提取模块，输出序列长度为73，输出通道数为128。
[0023]进一步地，全连接层的输出大小为1000，使用ReLU激活函数对自旋霍尔电导进行预测。
[0024]进一步地，步骤S4包括以下分步骤：
[0025]S41、将深度神经网络模型的mini
‑
batch设置为16，batch
‑
size设置为64，初始学习率设置为0.005，迭代次数设置为500，参数随机初始化。
[0026]S42、将均方误差MSE作为损失函数。
[0027]S43、将训练集和验证集输入深度神经网络模型，当验证集的损失函数值在预设范围内不下降时，停止训练，得到训练好的深度神经网络模型。
[0028]本专利技术的有益效果是：
[0029](1)本专利技术采用的自旋霍尔电导预测的数据集中所包含的数据量充分，得到的实际预测数据与理想预测数据的偏差较小，预测精度较高。
[0030](2)本专利技术在对新材料的自旋霍尔电导进行预测时，只需要考虑自旋轨道耦合作用的能带数据即可，预测速度较快，占用计算资源少。
附图说明
[0031]图1所示为本专利技术实施例提供的一种基于深度学习的材料自旋霍尔电导预测方法
流程图。
[0032]图2所示为本专利技术实施例提供的材料能带数据中能带劈裂现象示意图。
[0033]图3所示为本专利技术实施例提供的能带特征提取模块结构示意图。
[0034]图4所示为本专利技术实施例提供的时序特征提取模块结构示意图。
[0035]图5所示为本专利技术实施例提供的Transformer特征提取模块结构示意图。
具体实施方式
[0036]现在将参考附图来详细描述本专利技术的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本专利技术的原理和精神，而并非限制本专利技术的范围。
[0037]本专利技术实施例提供了一种基于深度学习的材料自旋霍尔电导预测方法，如图1所示，包括以下步骤S1～S5：
[0038]S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集。
[0039]本专利技术实施例中，数据扩充的具体方法为：选取自旋霍尔电导所在能量附近的五条能带作为一条能带数据，每条能带数据包括306个点位和每个点位对应的能量值。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的材料自旋霍尔电导预测方法，其特征在于，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。2.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤S1中数据扩充的具体方法为：选取自旋霍尔电导所在能量附近的五条能带作为一条能带数据，每条能带数据包括306个点位和每个点位对应的能量值。3.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤S1中数据处理的具体方法为：当某个点位能带劈裂程度大于0.1eV时，该点位的能量值为同轨道两条能带上同点位较低的能量值与带权值的能带劈裂程度之和。4.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤S2中训练集、验证集和测试集的比例为7:2:1。5.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤S3中构建的深度神经网络模型包括依次连接的能带特征提取模块、时序特征提取模块、Transformer特征提取模块和全连接层；所述能带特征提取模块用于接收输入的二维能带数据，对每条能带的物理特征进行提取，并作为时序特征提取模块的输入；所述时序特征提取模块用于对每条能带的时序特征进行提取，并作为Transformer特征提取模块的输入；所述Transformer特征提取模块用于对能带间特征进行提取，并作为全连接层的输入；所述全连接层用于输出材料自旋霍尔电导预测结果。6.根...

【专利技术属性】
技术研发人员：张栗粽，郑旭，孙明，张明慧，柯威宏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：