[发明专利]机器学习方法、系统及设备

权利要求书

1.一种机器学习方法，其特征在于，用于预测吸附材料上不同重金属离子的吸附能力；所述机器学习方法包括：

进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构；

在具有最优结构的吸附材料上随机放置重金属离子，获取带有重金属离子的复合结构，并计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集；

构建任意带有重金属离子的复合结构的主吸附能预测模型；所述主吸附能预测模型用以预测吸附能；

根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型；

统计所有已训练带有重金属离子的复合结构的吸附能预测模型的统计学数据，以评估所述吸附材料对重金属离子的吸附能力。

2.根据权利要求1所述的机器学习方法，其特征在于，在进行第一性原理计算的步骤之前，所述机器学习方法还包括：建立所述吸附材料的结构模型。

3.根据权利要求2所述的机器学习方法，其特征在于，所述进行第一性原理计算，以获取吸附材料与多个重金属离子相结合的最优结构的步骤包括：

以能量为优化目标，按照共轭梯度下降方式不断迭代，以优化所述吸附材料和多种重金属离子的原子位置；当相邻两次能量之差小于预设能量差阈值时，将能量最小的结构设置为吸附材料与一重金属离子结合的最优结构。

4.根据权利要求2所述的机器学习方法，其特征在于，所述计算不同重金属离子对应的复合结构的吸附能，以构建用于机器学习的数据集的步骤包括：

从不同重金属离子中选取任一重金属离子；

按照第一预设计算个数，计算选取的重金属离子对应的最优结构的吸附能；

按照第二预设计算个数，计算剩余重金属离子对应的最优结构的吸附能；其中，所述第一预设计算个数大于所述第二预设计算个数。

5.根据权利要求4所述的机器学习方法，其特征在于，

选取的重金属离子对应的最优结构的吸附能＝选取的重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-选取的重金属离子的能量；

剩余重金属离子对应的最优结构的吸附能＝剩余重金属离子中一重金属离子与吸附材料相结合的最优结构的整体能量-吸附材料的能量-剩余重金属离子中一重金属离子的能量。

6.根据权利要求4所述的机器学习方法，其特征在于，所述构建任意带有重金属离子的复合结构的主吸附能预测模型为构建选取的重金属离子的复合结构的吸附能预测模型：

根据构建的所述数据集，计算每一个原子的局部化学环境，将所有的原子的局部化学环境组成一矩阵，以构建主吸附能预测模型的输入；

将主吸附能预测模型的输入与每一个原子对应的子网络进行矩阵运算，获取子网络的贡献值，将所有子网络的贡献值汇总为吸附能，以作为所述主吸附能预测模型的输出，并获取已训练好的模型参数。

7.根据权利要求6所述的机器学习方法，其特征在于，所述根据已构建的主吸附能预测模型，训练剩余带有重金属离子的复合结构的吸附能预测模型的步骤包括将迁移学习引入至已构建的主吸附能预测模型；该步骤包括：

利用已训练好的模型参数初始化剩余带有重金属离子的复合结构的吸附能预测模型；

调节剩余带有重金属离子的复合结构的吸附能预测模型的模型参数。

8.根据权利要求6所述的机器学习方法，其特征在于，所述机器学习方法还包括将已训练好的吸附能预测模型中任一吸附能预测模型作为评估通用框架，通过第一性原理计算、训练吸附能预测模型、迁移学习、统计能量平均值来预测吸附材料对任意重金属离子的吸附能力。