一种基于深度迁移学习预测卟啉MOF带隙的方法技术

本发明专利技术提供一种基于深度迁移学习预测卟啉MOF带隙的方法。本发明专利技术首先构建了卟啉MOF小数据集，并采用Average SOAP Kernel扩充了卟啉MOF数据集，然后利用QMOF数据库对GCN先进行预训练，得到预训练模型，再利用迁移学习方法对预训练模型进行微调，得到卟啉MOF带隙预测模型，最后利用卟啉MOF带隙预测模型进行带隙预测。本发明专利技术能够以较高准确率预测卟啉MOF带隙。本发明专利技术结合深度学习和迁移学习预测卟啉MOF带隙，仅依赖于晶体学信息文件而不是手工制作的几何描述符和化学描述符，高效准确地预测出给定的卟啉MOF带隙，提高了预测的精度和效率，降低了测得卟啉MOF带隙的时间和经济成本。本。本。

【技术实现步骤摘要】
一种基于深度迁移学习预测卟啉MOF带隙的方法


[0001]本专利技术属于功能材料智能预测
的一种卟啉MOF带隙预测方法，具体涉及了一种基于深度迁移学习预测卟啉MOF带隙的方法。

技术介绍

[0002]近年来化石燃料的过度消耗导致了温室气体的高排放，二氧化碳进入大气和全球能源危机。通过使用半导体材料模拟自然光合作用以实现光催化CO2还原为有价值的太阳能燃料，被认为是解决上述问题的最佳解决方案之一。卟啉MOF具有可调的能带结构，丰富的活性位点，比表面积大、空腔均匀可调等优点，使卟啉MOF成为一种十分有前景的光催化材料。
[0003]为了实现光催化CO2还原，光催化剂应具有合适的带隙值。传统得到材料带隙值是通过密度泛函理论DFT计算，但由于卟啉MOF体系大，结构复杂，通过DFT计算其时间经济成本很大。
[0004]深度学习已被证明是一个优秀的方法寻找隐藏的输入特性和标签之间的联系，许多深度学习等已应用于MOF，并取得了好的结果。但数据依赖是深度学习中最严重的问题之一。与传统的机器学习方法相比，深度学习对海量训练数据的依赖性非常强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习预测卟啉MOF带隙的方法，其特征在于，包括如下步骤：1)从剑桥晶体结构数据库中收集多个卟啉基MOF材料，对多个卟啉基MOF材料的原始晶体学信息文件进行结构优化并计算出对应的带隙，获得多个卟啉基MOF材料对应的优化晶体学信息文件以及带隙，由多个卟啉基MOF材料的优化晶体学信息文件和对应的带隙构成初始卟啉MOF数据集；2)从QMOF数据库中筛选出多个与卟啉MOF相似度高的MOF样本并组成扩充MOF数据集，扩充MOF数据集与初始卟啉MOF数据集进行融合，获得融合卟啉MOF数据集，将筛选掉扩充MOF数据集的QMOF数据库记为筛选后的QMOF数据库；3)利用筛选后的QMOF数据库对深度学习模型进行预训练，得到预训练模型；4)根据融合卟啉MOF数据集，利用迁移学习方法对预训练模型进行微调，获得卟啉MOF带隙预测模型；5)将待预测的卟啉基MOF材料对应的优化晶体学信息文件输入卟啉MOF带隙预测模型中，获得待预测的卟啉基MOF材料的带隙。2.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：佘远斌，张智慧，张丞玮，苏安，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：