【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种电池材料设计方法和装置、计算机设备及存储介质。
技术介绍
1、人工智能普及后，电池材料的设计也从人工设计转换为智能化设计，通过模型根据电池材料的组成设计新的电池材料。相关技术中，电池材料设计主要通过生成对抗网络模型实现，且生成对抗网络模型被运用于材料生成、材料结构预测和材料逆向设计等方面。但在电池材料设计领域，对抗生成模型无法有效地通过改变输入达到控制模型输出目的，且模型训练需要耗费大量的样本数据，对于新的材料，难以短时间收集大量的样本数据来完成对抗生成模型的训练，从而影响电池材料设计的准确性和灵活性。因此，如何提高电池材料设计的准确性，成为了亟待解决的技术问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种电池材料设计方法和装置、计算机设备及存储介质，旨在提高电池材料设计的准确性和灵活性。
2、为实现上述目的，本申请实施例的第一方面提出了一种电池材料设计方法，所述方法包括：
3、获取样本数据集；其中，所述样本数据集包括电池材料样本数据、条件样本向量和电池材料样本向量；其中，所述条件样本向量表征所述电池材料样本向量中的元素是否可用；
4、通过所述电池材料样本数据对预设的原始预训练模型进行训练，得到目标预训练模型；
5、将所述目标预训练模型迁移到预设生成对抗网络模型，得到原始生成对抗网络模型；其中，所述原始对抗模型包括：生成器、属性预测网络；
6、将所述条件样本向量和所述电池材料样本向
7、将所述电池材料预测数据输入至所述属性预测网络进行属性预测，得到材料属性预测数据；
8、根据预设的材料验证数据、所述材料属性预测数据对所述生成器进行调整处理，得到材料设计模型；
9、获取目标条件向量和电池材料目标向量，并将所述目标条件向量和所述电池材料目标向量输入至所述材料设计模型进行材料设计，得到目标电池材料数据。
10、在一些实施例，所述原始预训练模型包括：原始编码器和原始解码器；所述通过所述电池材料样本数据对预设的原始预训练模型进行训练，得到目标预训练模型，包括：
11、将所述电池材料样本数据输入至所述原始编码器进行编码处理，得到电池材料编码向量；
12、将所述电池材料编码向量输入至所述原始解码器进行解码处理，得到电池材料生成数据；
13、根据所述电池材料样本数据和所述电池材料生成数据对所述原始编码器进行参数调整，得到目标编码器；
14、根据所述电池材料样本数据和所述电池材料生成数据对所述原始解码器进行参数调整，得到目标解码器；
15、根据所述目标编码器和所述目标解码器构建所述目标预训练模型。
16、在一些实施例，所述将所述电池材料样本数据输入至所述原始编码器进行编码处理，得到电池材料编码向量，包括：
17、获取所述电池材料样本数据中的元素数量和原子数量；
18、通过所述原始编码器将所述元素数量和所述原子数量进行编码处理，得到所述电池材料编码向量。
19、在一些实施例，所述将所述目标预训练模型迁移到预设生成对抗网络模型，得到原始生成对抗网络模型，包括：
20、获取所述目标预训练模型的结构参数；
21、根据所述结构参数对所述预设生成对抗网络模型进行初始化处理，得到所述原始生成对抗网络模型。
22、在一些实施例，所述属性预测网络包括：判别器和辅助分类器；所述材料属性预测数据包括材料性质预测信息和材料预测类别；所述将所述电池材料预测数据输入至所述属性预测网络进行属性预测，得到材料属性预测数据；
23、将所述电池材料预测数据输入至所述判别器进行性质判别，得到材料性质预测信息；
24、将所述材料性质预测信息输入至所述辅助分类器进行分类处理，得到材料预测类别。
25、在一些实施例，所述材料验证数据包括：材料性质验证信息和材料验证类别；所述根据预设的材料验证数据、所述材料属性预测数据对所述生成器进行调整处理，得到材料设计模型，包括：
26、对所述材料性质预测信息和所述材料性质验证信息进行损失计算，得到材料性质损失数据；
27、对所述材料预测类别和所述材料验证类别进行损失计算，得到材料类别损失数据；
28、根据所述材料性质损失数据和所述材料类别损失数据对所述生成器进行参数调节，得到所述材料设计模型。
29、在一些实施例，所述对所述材料预测类别和所述材料验证类别进行损失计算，得到材料类别损失数据之后，所述方法还包括：
30、根据所述材料性质损失数据和所述材料类别损失数据对所述属性预测网络进行更新。
31、为实现上述目的，本申请实施例的第二方面提出了一种电池材料设计装置，所述装置包括：
32、数据集获取模块，用于获取样本数据集；其中，所述样本数据集包括电池材料样本数据、条件样本向量和电池材料样本向量；其中，所述条件样本向量表征所述电池材料样本向量中的元素是否可用；
33、模型训练模块，用于通过所述电池材料样本数据对预设的原始预训练模型进行训练，得到目标预训练模型；
34、模型构建模块，用于将所述目标预训练模型迁移到预设生成对抗网络模型，得到原始生成对抗网络模型；其中，所述原始对抗模型包括：生成器、属性预测网络；
35、材料生成模块，用于将所述条件样本向量和所述电池材料样本向量输入至所述生成器进行材料生成，得到电池材料预测数据；
36、属性预测模块，用于将所述电池材料预测数据输入至所述属性预测网络进行属性预测，得到材料属性预测数据；
37、调整模块，用于根据预设的材料验证数据、所述材料属性预测数据对所述生成器进行调整处理，得到材料设计模型；
38、材料设计模块，用于获取目标条件向量和电池材料目标向量，并将所述目标条件向量和所述电池材料目标向量输入至所述材料设计模型进行材料设计，得到目标电池材料数据。
39、为实现上述目的，本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
40、为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
41、本申请提出的电池材料设计方法和装置、计算机设备及存储介质,其通过联合预训练模型和生成对抗网络模型来训练生成器，使用少量样本完成预训练模型的训练，再将训练好的预训练模型给构建生成器和判别器，再对生成器和判别器联合训练，且生成器会根据条件向量控制输出的电池材料数据，实现按照材料性质信息的条件向量控制材料生成，且仅需要少量样本即可本文档来自技高网...
【技术保护点】
1.一种电池材料设计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述原始预训练模型包括：原始编码器和原始解码器；所述通过所述电池材料样本数据对预设的原始预训练模型进行训练，得到目标预训练模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述电池材料样本数据输入至所述原始编码器进行编码处理，得到电池材料编码向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述目标预训练模型迁移到预设生成对抗网络模型，得到原始生成对抗网络模型，包括：
5.根据权利要求1至4任一项所述的方法，所述属性预测网络包括：判别器和辅助分类器；所述材料属性预测数据包括材料性质预测信息和材料预测类别；所述将所述电池材料预测数据输入至所述属性预测网络进行属性预测，得到材料属性预测数据；
6.根据权利要求5所述的方法，其特征在于，所述材料验证数据包括：材料性质验证信息和材料验证类别；所述根据预设的材料验证数据、所述材料属性预测数据对所述生成器进行调整处理，得到材料设计模型，包括：
7.根据权
8.一种电池材料设计装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的电池材料设计方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电池材料设计方法。
...【技术特征摘要】
1.一种电池材料设计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述原始预训练模型包括：原始编码器和原始解码器；所述通过所述电池材料样本数据对预设的原始预训练模型进行训练，得到目标预训练模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述电池材料样本数据输入至所述原始编码器进行编码处理，得到电池材料编码向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述目标预训练模型迁移到预设生成对抗网络模型，得到原始生成对抗网络模型，包括：
5.根据权利要求1至4任一项所述的方法，所述属性预测网络包括：判别器和辅助分类器；所述材料属性预测数据包括材料性质预测信息和材料预测类别；所述将所述电池材料预测数据输入至所述属性预测网络进行属性预测，得到材料属性预测数据；
【专利技术属性】
技术研发人员：张艳辉，李奕霖，冯伟，王卫军，
申请(专利权)人：深圳先进技术研究院，
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。