[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

说明书

一种基于机器学习的多组分晶体构型能预测方法，属于材料固有属性计算领域，用以解决传统方法中单纯依赖于物理理论推导多组分晶体构型能而导致的预测计算不准确及不高效问题。本发明提出了以团簇扩展方法计算多组分晶体的构型能，通过将多体相互作用形成的团簇函数即相关函数作为输入特征值，然后利用机器学习算法进行模型训练和预测，获得多组分晶体构型能。相比于传统的严格依赖于物理理论推导的计算方法，本发明方法预测计算结果更加准确、高效，可推广到计算多组分晶体的其他标量属性。

技术领域

本发明属于材料固有属性计算领域，具体涉及一种基于机器学习的多组分晶体构型能预测方法。

技术背景

在进行材料一些固有属性的计算时，传统的方法依然严格依赖于物理理论推导，并借助诸如第一性原理或者有着严格线性约束的物理公式进行计算，近年来机器学习工具在材料科学的研究中显著增加，机器学习在材料科学应用中的一个挑战就是识别对于一些有潜在对称问题上的固定结构和化学描述符。因此，如何从机器学习的角度解决材料固有属性的计算是一个值得研究的问题。

发明内容

鉴于以上问题，本发明提出一种基于机器学习的多组分晶体构型能预测方法，所述构型能定义为不同构型的形成能，本发明用以解决传统方法中单纯依赖于物理理论推导多组分晶体构型能而导致的预测计算不准确及不高效问题。

一种基于机器学习的多组分晶体构型能预测方法，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，获得多组分晶体构型能。

进一步地，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，再将所述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。

进一步地，步骤二中采用团簇扩展方法进行特征提取。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明的有益技术效果是：