原子能量和原子受力与材料的性质、ORR催化反应活性及弹性常数的预测方法和系统技术方案

本发明专利技术提供原子能量和原子受力与材料的性质、ORR催化反应活性及弹性常数的预测方法和系统。该原子能量和受力预测方法包括：构建晶体双向图；对图中的初始节点进行维度调整和预先处理，将结果分为源节点和目标节点，利用注意力矩阵与源节点和目标节点得到注意力向量，经过激活函数处理后得到注意力权重；利用源节点矩阵、距离信息矩阵和注意力权重得到AGAT层，利用AGAT层，构建用于预测原子能量和原子受力的AGAT模型；利用训练后的AGAT模型对原子受力和能量进行预测。本发明专利技术还提出利用上述训练后的AGAT模型对材料的性质、ORR反应活性、弹性常数的预测方法。上述预测方法准确度高，具有高效性和通用性。

【技术实现步骤摘要】

本专利技术涉及晶体结构的预测与构建，尤其涉及一种原子能量和原子受力与材料的性质、orr催化反应活性及弹性常数的预测方法和系统。

技术介绍

1、由于高熵电催化剂(heec)表面上巨大的组成空间和丰富的活性位点，合理设计基于高熵合金(hea)的电催化剂面临着巨大的挑战。具体来说，需要进行大量计算来揭示吸附能的分布，这与传统金属和二元合金不同。因此，尽管实验手段在发现新的heec方面取得了进展，但基于密度泛函理论(dft)等理论模拟的合理设计策略仍处于起步阶段。此外，该方法必须对具有不同成分或浓度的新催化剂进行新的计算，这使得heec的精确模拟极其昂贵。因此，非常需要一种用于合理设计heec的有效工具。

2、机器学习是一种设计高熵材料的有效方法。然而，基于描述符的传统模型由于不含键距信息而不能用于弛豫优化结构，并且限制了对表面能和稳定吸附构型的预测。事实上，选择有效的描述符并没有通用的规则，这在很大程度上取决于经验。

3、图神经网络(gnn)表现出基本的对称不变性，例如在平移、旋转和重排时表现出对称不变，因此在预测晶体和分子的性质和结构方本文档来自技高网...

【技术保护点】

1.一种原子能量和原子受力的预测方法，该方法包括：

2.根据权利要求1所述的方法，其中，在S1中，根据固定截断距离、动态截断距离、Voronoi方法中的一种判断晶体双向图中的任意两个初始节点之间是否通过初始边连接。

3.根据权利要求1所述的方法，其中，S1中所述距离信息包括通过初始边连接的两个原子之间的距离、该距离的倒数和1.0的数列。

4.根据权利要求1所述的方法，其中，所述第一ANN模型中包含激活函数；

5.根据权利要求1所述的方法，其中，S2中，所述源节点注意力矩阵的维度为：1×第二原子特征矩阵的列数×多头注意力机制头数；

...

【技术特征摘要】

1.一种原子能量和原子受力的预测方法，该方法包括：

2.根据权利要求1所述的方法，其中，在s1中，根据固定截断距离、动态截断距离、voronoi方法中的一种判断晶体双向图中的任意两个初始节点之间是否通过初始边连接。

3.根据权利要求1所述的方法，其中，s1中所述距离信息包括通过初始边连接的两个原子之间的距离、该距离的倒数和1.0的数列。

4.根据权利要求1所述的方法，其中，所述第一ann模型中包含激活函数；

5.根据权利要求1所述的方法，其中，s2中，所述源节点注意力矩阵的维度为：1×第二原子特征矩阵的列数×多头注意力机制头数；

6.根据权利要求1所述的方法，其中，s2中，所述融合注意力向量的计算公式包括：

7.根据权利要求1所述的方法，其中，s3中，所述注意力权重的方法包括：将融合注意力向量输入leaky relu函数进行处理，将处理结果输入softmax激活函数，得到注意力权重。

8.根据权利要求1所述的方法，其中，s2中，所述注意力权重的计算公式为：

9.根据权利要求1所述的方法，其中，s2和/或s3中，所述距离信息矩阵包括键长、键长的倒数、1...

【专利技术属性】
技术研发人员：张俊，赵仕俊，
申请(专利权)人：香港城市大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人