【技术实现步骤摘要】
一种基于自然参数网络的原子化能预测方法
[0001]本申请涉及数据处理
,尤其涉及一种基于自然参数网络的原子化能预测方法
。
技术介绍
[0002]原子化能是指材料中原子之间的相互作用能量
。
它对于材料科学的研究和应用具有重要意义,可以帮助理解材料的性质
、
预测其行为并进行材料的设计和优化;
[0003]目前原子化能预测来加速分子结构预测的常用计算方法有:基于机器学习的特征学习方法
、
基于团簇中原子的结构信息的线性回归
(LR)
算法以及基于特征值
、
特征中心和扁平化库伦矩阵的机器学习预测方法
[1]。
基于机器学习的特征学习方法需要复杂的预处理操作和大量耗时的模拟计算得到的训练数据,包含了多个阶段的处理任务,模型训练时间长
。
基于团簇中原子的结构信息的线性回归
(LR)
算法通过训练模型拟合结构信息与团簇能量之间的关系,实现新团簇能量的预测
。
基于特征值
、
特征中心和扁平化库伦矩阵的机器学习预测方法将特征值
/
向量和特征中心与扁平化库伦矩阵合并,形成一个具有
N
维特征
、7165
个样本的训练数据集,通过使用机器学习算法训练模型,利用训练好的模型对原子化能进行预测
。
但是现有方法存在以下问题:
(1)
难以拟合分子结构信息和原子化能之间复 ...
【技术保护点】
【技术特征摘要】
1.
一种基于自然参数网络的原子化能预测方法,其特征在于,包括:获取含有材料结构信息的
cif
文件,并将
cif
文件转换为
mat
文件;从
mat
文件中提取每一种材料中原子的空间位置信息及能量数据;利用每一种材料中的原子核电荷数及空间位置信息计算每一种材料的库伦矩阵;获取训练集,所述训练集中每一种材料的库伦矩阵和能量数据自然参数网络训练,将训练集输入到自然参数网络中,其中,训练集中的每一种材料的库伦矩阵输入到自然参数网络中,经过第一线性层
、
第一非线性层
、
第二线性层和第二非线性层处理获得网络参数并保存在自然参数网络中;同时在训练时,所述自然参数网络发生收敛时,完成自然参数网络的训练;将待测试材料的库伦矩阵输入训练完成的自然参数网络,得到材料的预测能量数据
。2.
根据权利要求1一种基于自然参数网络的原子化能预测方法,其特征在于,包括,所述自然参数网络还包括如下的损失函数:式中:
x
i
代表原子化能真实值,
y
i
表示模型的原子化能预测值
。3.
根据权利要求1所述的一种基于自然参数网络的原子化能预测方法,其特征在于,将每一种材料的库伦矩阵输入到自然参数网络中前,获取库伦矩阵的均值和方差,将库伦矩阵的均值和方差作为第一线性层的前置层参数输入到第一线性层中
。4.
根据权利要求1或3所述的一种基于自然参数网络的原子化能预测方法,其特征在于,将每一种材料的库伦矩阵输入到自然参数网络中前,对所述库伦矩阵进行补零,获取大小尺寸为
N*N
的扩展矩阵
X
c
,将扩展矩阵
X
c
输入到自然参数网络中
。5.
根据权利要求3所述的一种基于自然参数网络的原子化能预测方法,其特征在于,获取网络参数的方法包括:将库伦矩阵的均值和方差作为第一线性层的前置层的参数输入到第一线性层进行处理得到第一线性层的网络参数对;将得到的第一线性层的网络参数对输入到第一非线性层中进行非线性变换得到第一非线性层...
【专利技术属性】
技术研发人员:何朝政,楚超勤,肖秦琨,陈琛,
申请(专利权)人:西安工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。