【技术实现步骤摘要】
本专利技术涉及材料科学，特别是涉及一种面向材料数字表征的基于降维和升维的特征学习方法及其在材料性能的机器学习预测中的应用。
技术介绍
1、传统材料设计方法主要依赖基于专家人工经验的反复实验试错和简化条件下的理论计算，存在周期长、成本高、精度差、效率低等一系列问题。近年来，计算材料学和高通量实验技术的发展为材料设计提供了新的工具，但仍面临材料候选元素类型和成分配比以及制备加工工艺的可选参数空间巨大、优化过程复杂昂贵耗时等挑战。人工智能时代下数据驱动的人工智能材料设计和研发是蓬勃兴起的关键科学技术前沿，开发高效准确的机器学习材料性能预测方法是核心技术。近年来，随着高通量计算和高通量实验技术的兴起，材料科学进入了数据驱动的新范式。随着材料基因组计划(materials genome initiative，mgi)和人工智能赋能的材料科学(ai4mat)等方向的提出，极大地加速了新材料的探索进程。通过结合先进的计算模拟和自动化高通量实验，研究人员能够以前所未有的速度产生大量的材料数据。然而，如何有效地从这些高维、复杂、多源异构的材料数据中提取有...
【技术保护点】
1.一种面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，包括：
2.根据权利要求1所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，还包括：
3.根据权利要求2所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，还包括：
4.根据权利要求3所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，在构建预测模块之前，还包括：
5.根据权利要求1所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，所述原始输入特征包括中心原子的固有属性特征以及中心原子所在位点的...
【技术特征摘要】
1.一种面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，包括：
2.根据权利要求1所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，还包括：
3.根据权利要求2所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，还包括：
4.根据权利要求3所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，在构建预测模块之前，还包括：
5.根据权利要求1所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，所述原始输入特征包括中心原子的固有属性特征以及中心原子所在位点的周围局域环境相关的统计特征。
6.根据权利要求1所述的面向材料数字表征的基于降维和升维的特征学习方法，其特征在于，所述拓...
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。