[发明专利]基于机器学习的高生成热含能材料的自适应设计方法

权利要求书

1.基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：包括以下步骤：

S1，构建含能材料搜索空间，获得具有已知特征描述符和量化计算生成热的初始数据集；

S2，使用初始数据对模型进行训练，学习含能化合物特征描述符-生成热属性关系；

S3，将训练后的模型应用于未知搜索空间，以预测未知化合物的生成热以及获得它们相关的方差；

S4，使用选择器全局优化搜索，为量化计算提供下一个最佳候选物；

S5，理论计算验证候选物生成热；

S6，将新的化合物添加到初始数据集，进行新一轮设计，迭代循环找到具有高生成热化合物。

2.根据权利要求1所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：含能材料搜索空间为88个含能母环与14个取代基之间的单取代和二取代的所有组合可能，结构检查与去除重复，获得97566个化合物，其中单取代化合物3416个，二取代化合物94150个。

3.根据权利要求2所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：初始数据收集：从97566个化合物中选取了88个代表性化合物，按照单取代和二取代化合物数量比，选取了单取代化合物3个，二取代化合物85个，并确保了每个含能母环选取1次以及每个取代基选取12～13次，以确保初始样本集的代表性，由此构建了88个化合物的初始数据集。

4.根据权利要求3所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：特征描述符：统计了97566样本的键类型，利用分子指纹将分子图转换为整数向量，采用2048位扩展连接指纹，对图的子结构信息进行编码，通过二进制方式来表示存在或不存在的唯一组分，其长度由用户控制；E-state指纹长度较短，适合用于化合物数据量较少时的特征描述符，在计算97566个含能化合物的E-state描述符发现只存在13种原子类型，因此将E-state描述符截短到只有13个长度；设计一个将SOB描述符与E-state描述符组合在一起的特征描述符：E-state+SOB，综合化学键信息与电子拓扑状态信息，SOB描述符为首先枚举数据集中的所有键类型，然后计算每个分子中每个键的数量，每个分子描述符包含每种类型的键出现的次数的整数。

5.根据权利要求4所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：模型选择回归器模型：其选用6种机器学习回归模型，包括最小二乘法的线性回归模型、径向基核的支持向量回归模型、线性核的支持向量回归模型、Lasso回归模型、核岭回归模型和高斯过程回归模型，将E-state、SOB和E-state+SOB这3种描述符与6个回归模型进行组合得到18个学习模型。

6.根据权利要求5所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：选择器：使用了5个不同选择标准，结合预测结果与不确定性去选择候选化合物，以优化候选物的决策过程，5个选择器包括：Random、Exploitation、Exploration、Trade-offbetween exploitation and exploration和Knowledge Gradient algorithm。

7.根据权利要求6所述的基于机器学习的高生成热含能材料的自适应设计方法，其特征在于：计算候选物生成热：选择原子化能方法，计算含能化合物在298K下的标准气相生成热，利用生成热计算公式计算出88个化合物的气相生成热，作为它们的标签。