[发明专利]一种基于隐私保护的材料逆向设计方法及系统

说明书

本发明公开了一种基于隐私保护的材料逆向设计方法及系统，所述材料逆向设计方法利用梯度下降法训练模型，采用共享梯度值的方式实现每个学习端的数据共享，避免直接传输材料数据导致材料数据泄漏的缺陷，并且在传输过程中采用的同态加密算法对传输的梯度值进行加密，进一步的保证了传输数据的隐私性，本发明在保证材料数据的隐私性的基础上，实现了利用各个单位的数据实现机器学习训练，克服了小数据导致的模型无法收敛与模型泛化性差的技术问题。

技术领域

本发明涉及新材料设计技术领域，特别涉及一种基于隐私保护的材料逆向设计方法及系统。

背景技术

目前的深度学习领域常常面临数据不够而无法完成训练的技术难题，由于小数据导致的收敛问题与模型泛化性差等问题，常常导致最终的学习效果不理想。而解决这些问题的最优方法往往是扩充数据集，在有足够样本的情况下帮助模型收敛并提高模型的泛化性。例如在材料领域，由于做实验的材料成本与时间成本都很高，每个研究单位自己拥有的数据数量不会很大且都具有隐私性。某一家单位希望通过自己的小样本做机器学习是不现实的，这种情况下，如果能够将各研究单位的数据集成起来做机器学习，可以解决小数据导致的收敛问题与模型泛化性差等问题。

但正是由于材料数据的高成本导致了他具有极高的隐私性，直接进行明文信息交换往往会导致各种版权问题。

如何在保证材料数据的隐私性的基础上，实现利用各个单位的数据实现机器学习训练，以克服小数据导致的模型无法收敛与模型泛化性差的技术问题，成为一个亟待解决的技术问题。

发明内容

本发明的目的是提供一种基于隐私保护的材料逆向设计方法及系统，以在保证材料数据的隐私性的基础上，实现利用各个单位的数据实现机器学习训练，以克服小数据导致的模型无法收敛与模型泛化性差的技术问题。

为实现上述目的，本发明提供了如下方案：

一种基于隐私保护的材料逆向设计方法，所述材料逆向设计方法基于材料逆向设计云平台，所述材料逆向设计云平台包括：N个学习端、密钥管理端和运算服务器；N个所述学习端分别与所述密钥管理端和运算服务器连接，所述密钥管理端与所述运算服务器连接；所述材料逆向设计方法包括如下步骤：

通过所述学习端利用学习端的小样本数据对材料逆向设计模型进行反向传播，计算材料逆向设计模型的梯度值；并利用密钥管理端发送的用于同态加密算法的密钥对对所述梯度值进行加密，将加密后的梯度值发送给所述运算服务器；

通过运算服务器对每个所述学习端发送的加密后的梯度值进行融合，获得融合梯度值，将融合梯度值分发给每个所述学习端；并向所述密钥管理端发送下一轮训练的同态加密密钥对获取请求；

通过学习端根据同态加密算法的密钥对对所述融合梯度值进行解密，并利用解密后的融合梯度值对所述材料逆向设计模型的参数进行更新，通过密钥管理端当接收到运算服务器发送的同态加密密钥对获取请求时，生成下一轮的用于同态加密算法的密钥对，并将下一轮的用于同态加密算法的密钥对分发给N个所述学习端；返回步骤“通过所述学习端利用学习端的小样本数据对材料逆向设计模型进行反向传播，计算材料逆向设计模型的梯度值；并利用密钥管理端发送的用于同态加密算法的密钥对对所述梯度值进行加密，将加密后的梯度值发送给所述运算服务器”，进行下一轮训练，直到所述材料逆向设计模型的损失函数值小于损失函数阈值，获得训练后的材料逆向设计模型；

通过所述学习端利用所述训练后的材料逆向设计模型进行材料的逆向设计。

可选的，通过所述学习端利用学习端的小样本数据对材料逆向设计模型进行反向传播，计算材料逆向设计模型的梯度值；并利用密钥管理端发送的用于同态加密算法的密钥对对所述梯度值进行加密，将加密后的梯度值发送给所述运算服务器，之前还包括：

通过所述学习端生成用于与密钥管理端通信信道加密的密钥对，并向所述运算服务器端发送包含用于与密钥管理端通信信道加密的密钥对中的公钥信息的注册请求；