[发明专利]一种基于机器学习的多组分晶体构型能预测方法

权利要求书

1.一种基于机器学习的多组分晶体构型能预测方法，其特征在于，包括以下步骤，

步骤一、获取多组分晶体构型数据集；

步骤二、提取计算多组分晶体构型能所需的特征；

步骤三、利用机器学习算法进行模型训练和预测，获得所述多组分晶体构型能。

2.根据权利要求1所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，在步骤三中，利用机器学习算法进行模型训练和预测获得多组分晶体局部中心位点的能量，再将多组分晶体局部中心位点的能量加和，最终获得多组分晶体构型能。

3.根据权利要求1所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，步骤二中采用团簇扩展方法进行特征提取。

4.根据权利要求3所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，采用团簇扩展方法进行特征提取的具体步骤包括，

步骤二一、首先对多组分晶体进行不同团簇轨道划分；

步骤二二、然后对团簇类型扩展进行截断；

步骤二三、最后计算各团簇轨道上的相关函数，所述相关函数即为计算多组分晶体构型形成能所需的特征。

5.根据权利要求4所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，步骤二二中所述截断包括对提取后的特征采用遗传算法进行特征筛选，去除对被预测属性影响不大的特征。

6.根据权利要求4所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，所述相关函数是团簇轨道上所有对称等价团簇函数的平均值，可表示为：

其中，m_α表示每个位点的团簇的多样性；表示团簇基函数；Ω_α表示轨道；N表示原子个数。

7.根据权利要求1所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，步骤三中所述机器学习算法包括神经网络、高斯过程回归、支持向量回归、随机森林。

8.根据权利要求7所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，步骤三中利用机器学习算法进行模型训练和预测时弱化所述相关函数的线性约束，即允许构型能对相关函数具有非线性依赖性。

9.根据权利要求1所述一种基于机器学习的多组分晶体构型能预测方法，其特征在于，步骤三中所述多组分晶体构型能表示式为：

其中，N表示原子个数；V₀表示空簇构型能；V_α表示团簇扩展系数；表示相关函数。