[发明专利]生成目标材料属性的材料结构的机器学习系统和方法

权利要求书

1.一种生成目标材料属性的材料结构的机器学习系统，所述机器学习系统包括生成对抗网络，

其中，生成对抗网络包括：

潜在空间向量生成器，被配置为生成随机向量，

生成器网络，被配置为接收随机向量作为输入并且生成包括模拟材料结构和模拟材料属性两者的元组，以及

鉴别器网络，被配置为从包括真实材料结构和真实材料属性的数据库被训练，以将模拟材料结构和模拟材料属性与真实材料结构和真实材料属性区分开，并且将损失函数发送到生成器网络，

其中，潜在空间向量生成器、生成器网络和鉴别器网络被布置为同时学习材料结构-材料属性的基础联合概率分布。

2.根据权利要求1所述的机器学习系统，其中，目标材料属性包括一个或多个物理量，并且材料结构包括从编码的向量化表示、浮点向量化表示和混合表示选择的表示，其中，在编码的向量化表示中，材料结构向量的元素表示特定位置处的原子种类，在浮点向量化表示中，材料结构向量的连续元组表示固定原子种类的笛卡尔坐标的变量，混合表示包括连续的原子种类和/或笛卡尔坐标元组。

3.根据权利要求1或权利要求2所述的机器学习系统，其中，生成器网络包括单个生成器网络。

4.根据权利要求1或权利要求2所述的机器学习系统，其中，

生成器网络包括用于生成模拟材料结构的第一生成器网络和用于生成模拟材料属性的第二生成器网络，并且

第一生成器网络和第二生成器网络两者被配置为从同一潜在空间向量生成器接收随机向量。

5.根据权利要求1或权利要求2所述的机器学习系统，其中，

生成器网络包括用于生成模拟材料结构的第一生成器网络和多个第二生成器网络，所述多个第二生成器网络中的每个用于生成多个模拟材料属性中的一个模拟材料属性，并且

第一生成器网络和所述多个第二生成器网络都被配置为从同一潜在空间向量生成器接收随机向量。

6.根据权利要求1或权利要求2所述的机器学习系统，其中，鉴别器网络被配置为：输出浮点或离散计数值。

7.根据权利要求1或权利要求2所述的机器学习系统，其中，所述机器学习系统利用包括图形处理器和/或现场可编程门阵列的计算装置来实现。

8.一种利用机器学习生成目标材料属性的材料结构的方法，所述方法包括：

利用包括真实材料结构和真实目标材料属性的数据库训练鉴别器网络，

通过生成器网络生成模拟材料结构和模拟材料属性，

训练生成器网络，使得鉴别器网络不能从数据库区分模拟材料结构与真实材料结构之间的差，并且同时学习材料结构-材料属性的基础联合概率分布，以及

利用基础联合概率分布来生成目标材料属性的材料结构。

9.根据权利要求8所述的方法，其中，生成目标材料属性的材料结构的步骤包括：利用潜在空间划分来生成目标材料属性的材料结构。

10.根据权利要求8所述的方法，其中，生成目标材料属性的材料结构的步骤包括：随机生成多个具有材料结构和材料属性的样本并且选择满足目标材料属性的样本。

11.根据权利要求8至权利要求10中的任意一项所述的方法，其中，目标材料属性包括物理量，并且材料结构包括从编码的向量化表示、浮点向量化表示和混合表示选择的表示，其中，在编码的向量化表示中，材料结构向量的元素表示特定位置处的原子种类，在浮点向量化表示中，材料结构向量的连续元组表示固定原子种类的笛卡尔坐标的变量，混合表示包含连续的原子种类和/或笛卡尔坐标元组。

12.根据权利要求8至权利要求10中的任意一项所述的方法，还包括：

通过潜在空间向量生成器生成随机向量，其中，生成器网络利用随机向量作为输入，并且

其中，训练生成器网络的步骤包括：将损失函数从鉴别器网络发送到生成器网络。