[发明专利]无序材料热力学稳定结构的预测推荐方法、设备、终端

权利要求书

1.一种无序材料热力学稳定结构的预测推荐方法，其特征在于，所述无序材料热力学稳定结构的预测推荐方法包括以下步骤：

步骤一，采用已有程序supercell产生指定替代/缺陷/共占据状态下所有可能的非冗余结构；

步骤二，采用机器学习中聚类算法对结构进行聚类；

步骤三，从每个聚类结果中推荐得到需要采用密度泛函理论优化的待优化结构，推荐原则遵循能量优先和多样性优先；

步骤四，采用密度泛函理论方法对推荐的结构进行优化；

步骤五，从优化结构的轨迹中准备训练集；

步骤六，训练机器学习势模型；

步骤七，采用训练的机器学习势模型优化没有弛豫的结构；

步骤八，采用多代运行的方式，判断是否达到设置的终止条件，如果没有，重复步骤二至步骤八，直至满足终止条件；

步骤九，满足终止条件后，基于密度泛函理论优化的结构集和机器学习势优化后收敛的结构集推荐热力学稳定的结构集。

2.如权利要求1所述无序材料热力学稳定结构的预测推荐方法，其特征在于，步骤二中，所述采用机器学习中聚类算法对结构进行聚类，包括：设置聚类数目，聚类过程中将每个结构转化为特征矢量作为聚类的输入，晶体结构采用原子中心对称函数ACSFs转换为特征矢量；原子中心对称函数包含径向和角函数两部分，描述原子i径向环境的径向对称函数G2为函数G2是一个高斯函数乘以截止函数的求和；高斯函数的宽度用参数η来定义，高斯函数的中心通过参数R_s移动到一定的径向距离，移动的G2函数适用于描述参考原子周围的球壳，截断函数采用如下形式：

其中，R_ij是原子i与原子j的距离，如果R_ij大于截断半径R_c，截断函数和它的导数值为零；中心原子i的角函数是角的余弦函数的求和，表达式为：

其中，λ的值是+1或1，角度分辨率由参数ζ提供；ζ值越大，非零对称函数值的范围就越窄，故使用一组带有不同ζ值的角函数来获得以每个参考原子为中心的角的分布；角分布通过选择适当的η和R_c确定，用于控制径向部分；通过设置不同的参数值，用一系列函数G2和G4将中心原子的局部环境转化为特征矢量；将相同元素的原子特征矢量相加，得到同一元素的特征矢量，进而将不同元素的特征矢量按顺序拼接得到，通过计算两个结构的特征矢量之间的距离，即可定量描述两个结构的相似性。

3.如权利要求1所述无序材料热力学稳定结构的预测推荐方法，其特征在于，步骤三中，所述优化结构的策略，采用聚类的方式对结构集合进行聚类，根据步骤六训练的机器学习势模型预测每个聚类中结构的能量，并按照能量从低到高进行排序，选择待优化结构时兼顾能量优先和多样性原则。

4.如权利要求1所述无序材料热力学稳定结构的预测推荐方法，其特征在于，步骤五中，所述训练集来源于步骤四中每个结构优化过程中的每一帧结构，同时兼顾选择时前后两帧结构能量差，能量差小于设定值时当前帧结构不加入训练集。

5.如权利要求1所述无序材料热力学稳定结构的预测推荐方法，其特征在于，步骤六中，所述训练机器学习势模型，包括：采用集成的方式同时训练多个机器学习势模型，采用所有模型预测的平均值作为预测结果，每个机器学习势模型训练过程中同时训练结构对应的能量和力；其中，所述机器学习势模型采用后向传播神经网络BPNN，其他机器学习势模型同样适用无序材料热力学稳定结构的预测推荐方法。

6.如权利要求1所述无序材料热力学稳定结构的预测推荐方法，其特征在于，步骤七中，采用训练好的机器学习势模型优化没有弛豫的结构；优化后收敛的结构保存到机器学习势模型优化后收敛的结构集中供步骤九使用；优化后没有收敛的结构作为步骤二聚类结构的来源。