材料属性预测方法及装置制造方法及图纸

本公开提供了一种材料属性预测方法及装置，该材料属性预测方法首先获取多个样本材料的组分数据作为训练数据，对训练数据进行标准化，对进行标准化后的训练数据进行线性插值，得到训练用数据集，然后依据训练用数据集对材料属性预测模型进行训练，将待测材料数据输入依据训练好的材料属性预测模型，得到材料属性预测结果，通过对训练数据进行标准化来去除影响模型性能的元素，从而提升训练数据的质量，并利用线性插值方法增加数据集大小，能够很好地适用于小样本的材料属性预测，同时还使用全连接层构成的神经网络对材料属性进行精确预测，数据扩充与神经网络相结合的方法优于自动机器学习方法。机器学习方法。机器学习方法。

【技术实现步骤摘要】
材料属性预测方法及装置


[0001]本公开涉及化学材料
，尤其涉及材料属性预测方法及装置。

技术介绍

[0002]机器学习在数据密集型应用中已取得了显著成就，但在训练样本较少的情况下，目前的机器学习方法总是无法达到理想的性能。在材料学方面，机器学习方法解决了材料科学中的诸多问题，特别是在预测基本属性方面。越来越多的通用模型允许人们在更广阔的设计空间中快速筛选材料。
[0003]上述这些应用成功的前提条件是有足够的训练示例。例如，Jonathan Schmidt等人在钙钛矿化合物形成能预测实验中证明，当训练集翻倍时，预测误差降低了约20％。然而，化学反应方面的数据集通常较为有限，并且有可能不支持机器学习模型的精确运作。因此，目前在化学领域中对于小样本学习有着广泛的需求。

技术实现思路

[0004]为了解决上述技术问题中的至少一个，本公开提供了材料属性预测方法及装置。
[0005]本公开第一方面提出了一种材料属性预测方法，包括：获取多个样本材料的组分数据作为训练数据；对所述训练数据进行标准化；对进行标准化后的训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种材料属性预测方法，其特征在于，包括：获取多个样本材料的组分数据作为训练数据；对所述训练数据进行标准化；对进行标准化后的训练数据进行线性插值，得到训练用数据集；依据训练用数据集对材料属性预测模型进行训练；将待测材料数据输入依据训练好的材料属性预测模型，得到材料属性预测结果。2.根据权利要求1所述的方法，其特征在于，对所述训练数据进行标准化，包括：识别出所述训练数据中包含的所有化学元素种类；对所述化学元素种类进行筛选，得到第一元素种类集合；对所述第一元素种类集合中所有元素种类的训练数据进行标准化。3.根据权利要求2所述的方法，其特征在于，对所述化学元素种类进行筛选，得到第一元素种类集合，包括：对于每种化学元素，确定包含所述化学元素的数据项数量；依据所述数据项数量从所述化学元素种类中确定第一元素种类。4.根据权利要求3所述的方法，其特征在于，依据所述数据项数量从所述化学元素种类中确定第一元素种类，包括：从所述化学元素种类中确定所述数据项数量最低的多个第二元素种类；将所述第二元素种类从所有元素种类中筛除，并将剩余的元素种类作为...

【专利技术属性】
技术研发人员：李丹，佟强，刘秀磊，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：