【技术实现步骤摘要】
本专利技术涉及材料设计优化，尤其涉及一种材料设计优化方法、系统及介质。
技术介绍
1、基于分子结构的虚拟筛选已经被广泛应用于新材料探索和药物发现中，主要目的是在大规模候选材料中筛选出符合目标性质的、具有高潜力的目标材料。在进行筛选时，使用的方式是通过从头计算或者基于机器学习或者深度学习方法的数学模型对目标性质进行预测，将得到的属性最佳的分子进行实验验证，以此获得符合要求的目标材料。
2、但上述筛选方案只适用于结构和机理简单、分子量较小的目标材料，对于结构和机理复杂、分子量庞大的目标材料，则会因为机理复杂、分子量大而导致模型难以抓住与材料属性的机理关联的关键结构，难以直接用于材料的探索和研究，同时存在预测结果精度下降的情况。且因为目前使用的机器学习和深度学习方法进行材料属性预测的模型是黑盒数学模型，不能够获取对实验和机理探索进行调整的重要信息。
3、因此，常规的筛选方案筛选得到的目标材料对结构和机理复杂、分子量庞大的材料进行设计优化的效率较低。
技术实现思路
1、本专利技术的主要目地在于提供一种材料设计优化方法、装置、系统及介质，旨在解决常规的筛选方案筛选得到的目标材料对结构和机理复杂、分子量庞大的材料进行设计优化的效率较低的技术问题。
2、为实现上述目地，本专利技术提供一种材料设计优化方法，所述材料设计优化方法包括以下步骤：
3、依据预设采样方法对实验材料进行采样，得到多个特定子结构；
4、将所述多个特定子结构输入关系探索
5、所述将所述多个特定子结构输入关系探索模型得到目标数据，基于所述目标数据对目标材料进行设计优化的步骤，包括：
6、将所述多个特定子结构输入所述关系探索模型，得到所述实验材料的属性预测数值、各所述特定子结构对所述属性预测数值的重要程度、各所述特定子结构之间的相互作用关系、以及各所述特定子结构对所述属性预测数值的注意力分布特点；
7、基于所述重要程度、所述相互作用关系和所述注意力分布特点，从所述多个特定子结构中确定目标特定子结构后，根据所述目标特定子结构对所述目标材料进行设计优化。
8、可选地，所述依据预设采样方法对实验材料进行采样，得到多个特定子结构的步骤，包括：
9、获取所述实验材料的关键理化要素，并基于所述关键理化要素获得与所述关键理化要素对应的定位信息，依据所述定位信息对所述关键理化要素进行定位，得到所述关键理化要素的中心单元，进入预设迭代采样过程；
10、在所述预设迭代采样过程中，将所述关键理化要素中与所述中心单元的距离小于或等于预计距离的相邻单元选取为理化单元后，基于所述理化单元和所述中心单元，在所述关键理化要素中选取与所述理化单元或所述中心单元的距离小于或等于预计距离的新理化单元，直至所述预设迭代采样过程结束；
11、基于在所述预设迭代采样过程中选取的所述理化单元与所述中心单元之间的理化关系，形成所述特定子结构。
12、可选地，所述将所述多个特定子结构输入所述关系探索模型，得到所述实验材料的属性预测数值的步骤，包括：
13、基于预设计算理论获取各所述特定子结构分别对应的初始编码后，根据预设编码模型确定各所述初始编码分别对应的高效表征；
14、将所述多个高效表征输入所述关系探索模型中的结构-属性模型，输出得到所述属性预测数值。
15、可选地，在选取所述关系探索模型中的自注意力模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
16、将所述多个高效表征进行拼接后输入所述自注意力模型得到与所述多个特定子结构分别对应的权重系数；
17、使用预设函数对所述权重系数进行归一化，得到所述多个特定子结构分别对应的注意力权重后，将所述注意力权重进行融合合并得到输出向量；
18、将所述输出向量输入所述自注意力模型得到所述属性预测数值；
19、其中，将所述注意力权重作为对应的所述特定子结构对所述属性预测数值的所述重要程度。
20、可选地，在选取所述关系探索模型中的转换器模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
21、将所述多个高效表征输入所述转换器模型，输出得到各所述特定子结构分别对应的嵌入向量，并通过所述转换器模型中的转换编码器得到所述嵌入向量的向量特征；
22、将所述向量特征输入所述转换器模型的全连接层得到所述属性预测数值。
23、可选地，在所述输出得到各所述特定子结构分别对应的嵌入向量的步骤之后，所述材料设计优化方法还包括：
24、将各所述特定子结构分别对应的所述嵌入向量输入所述结构-属性模型，计算得到各所述特定子结构之间的所述相互作用关系。
25、可选地，在所述得到所述多个特定子结构分别对应的注意力权重后的步骤之后，所述材料设计优化方法还包括：
26、对各所述注意力权重进行计算，得到各所述特定子结构分别对应的所述注意力分布特点。
27、可选地，所述从所述多个特定子结构中确定目标特定子结构后，根据所述目标特定子结构对所述目标材料进行设计优化的步骤，包括：
28、基于所述重要程度，从所述多个特定子结构中确定对所述属性预测数值影响超过预设影响程度的第一特定子结构，以及基于所述相互作用关系，从所述特定子结构中确定各所述特定子结构与其他所述特定子结构的作用超过预设作用程度的第二特定子结构后，将所述第一特定子结构和所述第二特定子结构中重复的特定子结构确定为第一目标特定子结构；
29、从所述多个特定子结构中，根据所述注意力分布特点确定第二目标特定子结构后，根据所述第一目标特定子结构和所述第二目标特定子结构对所述目标材料进行设计优化。
30、此外，为实现上述目地，本专利技术该提供一种材料设计优化系统，所述材料设计优化系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机处理程序，所述计算机处理程序被所述处理器执行时实现如上所述的材料设计优化方法的步骤。
31、此外，为实现上述目地，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机处理程序，所述计算机处理程序被处理器执行时实现如上所述的材料设计优化方法的步骤。
32、本专利技术提出一种材料设计优化方法、系统及介质，通过依据预设采样方法对实验材料进行采样，得到多个特定子结构，实现直接基于机理相关性最高的结构进行分析，减少机理结构负责和分子量大的材料存在的非关键结构的干扰，提升了预测结果的精度；将多个特定子结构输入关系探索模型得到目标数据，基于目标数据对目标材料进行设计优化；将多个特定子结构输入关系探索模型得到目标数据，基于目标数据对目标材料进行设计优化本文档来自技高网...
【技术保护点】
1.一种材料设计优化方法，其特征在于，所述材料设计优化方法包括以下步骤：
2.如权利要求1所述的材料设计优化方法，其特征在于，所述依据预设采样方法对实验材料进行采样，得到多个特定子结构的步骤，包括：
3.如权利要求1所述的材料设计优化方法，其特征在于，所述将所述多个特定子结构输入所述关系探索模型，得到所述实验材料的属性预测数值的步骤，包括：
4.如权利要求3所述的材料设计优化方法，其特征在于，在选取所述关系探索模型中的自注意力模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
5.如权利要求4所述的材料设计优化方法，其特征在于，在选取所述关系探索模型中的转换器模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
6.如权利要求5所述的材料设计优化方法，其特征在于，在所述输出得到各所述特定子结构分别对应的嵌入向量的步骤之后，所述材料设计优化方法还包括：
7.如权利要求4所述的材料
8.如权利要求1所述的材料设计优化方法，其特征在于，所述从所述多个特定子结构中确定目标特定子结构后，根据所述目标特定子结构对所述目标材料进行设计优化的步骤，包括：
9.一种材料设计优化系统，其特征在于，所述材料设计优化系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机处理程序，所述计算机处理程序被所述处理器执行时实现如权利要求1-8中任一项所述的材料设计优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机处理程序，所述计算机处理程序被处理器执行时实现权利要求1-8中任一项所述的材料设计优化方法的步骤。
...【技术特征摘要】
1.一种材料设计优化方法，其特征在于，所述材料设计优化方法包括以下步骤：
2.如权利要求1所述的材料设计优化方法，其特征在于，所述依据预设采样方法对实验材料进行采样，得到多个特定子结构的步骤，包括：
3.如权利要求1所述的材料设计优化方法，其特征在于，所述将所述多个特定子结构输入所述关系探索模型，得到所述实验材料的属性预测数值的步骤，包括：
4.如权利要求3所述的材料设计优化方法，其特征在于，在选取所述关系探索模型中的自注意力模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
5.如权利要求4所述的材料设计优化方法，其特征在于，在选取所述关系探索模型中的转换器模型进行所述属性预测数值的输出时，所述将所述多个高效表征输入所述关系探索模型中，输出得到所述属性预测数值的步骤，包括：
6.如权利要求5所述的材料设计优化方法，其特征...
【专利技术属性】
技术研发人员：何兆铭，毕海，王悦，张赫铭，梁宝炎，李志强，
申请(专利权)人：季华实验室，
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。