基于机器学习势函数的原子相互作用信息预测方法、存储介质及设备技术

基于机器学习势函数的原子相互作用信息预测方法、存储介质及设备，本发明专利技术涉及人工智能及新能源领域，具体涉及原子相互作用信息预测方法、存储介质及设备。本发明专利技术的目的是为了解决现有方法获取原子相互作用信息时难以兼顾精度和效率的问题。基于机器学习势函数的原子相互作用信息预测方法具体过程为：一、获取初始数据集，对初始数据集进行扩充，得到最终涵盖体相和表面结构的全面数据集；二、基于全面数据集对机器学习势函数MLP进行训练，得到训练好的机器学习势函数MLP；三、基于训练好的机器学习势函数MLP对待测金属锂、硅、锂化硅原子进行预测，输出金属锂、硅、锂化硅原子的原子相互作用信息；相互作用信息为能量、受力。

【技术实现步骤摘要】

本专利技术涉及人工智能及新能源领域，具体涉及原子相互作用信息预测方法、存储介质及设备。

技术介绍

1、随着可再生能源和电动汽车产业的快速发展，锂离子电池作为关键的储能设备，其性能优化成为研究热点。锂化硅作为高容量负极材料，因其显著的理论容量和较低的成本，备受关注。然而，锂化硅在实际应用中存在体积膨胀大、循环寿命短等问题，这主要归因于其复杂的锂化过程和多相界面的动态演变。因此，精确描述锂化硅体系的势能面(potential energy surface,pes)对于理解其锂化机制和优化材料性能具有重要意义。

2、现有技术中，描述锂化硅势能面的常用方法主要包括经典力场方法和基于第一性原理的计算方法。经典力场方法通过经验参数拟合，能够在较低的计算成本下模拟大规模系统的动力学行为，但其准确性依赖于参数的优化，且难以精确捕捉复杂的化学反应过程。基于第一性原理的方法，如密度泛函理论(density functional theory,dft)，能够提供高精度的势能描述，但其计算成本高昂，限制了其在大规模系统和长时间尺度模拟中的应用。p>

3、近年来本文档来自技高网...

【技术保护点】

1.基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述步骤一中获取初始数据集，对初始数据集进行扩充，得到最终涵盖体相和表面结构的全面数据集；具体过程为：

3.根据权利要求2所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述步骤一一中金属锂为体心立方、面心立方、六方密排和非晶结构；

4.根据权利要求3所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述晶态锂化硅为c-Li1 Si1、c-Li2 Si1、c-...

【技术特征摘要】

1.基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述步骤一中获取初始数据集，对初始数据集进行扩充，得到最终涵盖体相和表面结构的全面数据集；具体过程为：

3.根据权利要求2所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述步骤一一中金属锂为体心立方、面心立方、六方密排和非晶结构；

4.根据权利要求3所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述晶态锂化硅为c-li1 si1、c-li2 si1、c-li12 si7、c-li15 si4、c-li22 si5；

5.根据权利要求4所述的基于机器学习势函数的原子相互作用信息预测方法，其特征在于：所述步骤一二、对初始数据集进行扩充，得到最终涵盖体相和表面结构的全面数据集；具体过程为：

6.根据权利要求5所述的基于机器学习势函...

【专利技术属性】
技术研发人员：刘远鹏，张博文，袁博韬，张佩尧，宋岱恒，何年栋，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：