[发明专利]一种基于深度学习的材料自旋霍尔电导预测方法

说明书

本发明公开了一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。本发明采用的数据集的数据量充分，得到的预测结果与真实结果较为接近，预测速度较快，占用计算资源少。

技术领域

本发明属于材料性质预测技术领域，具体涉及一种基于深度学习的材料自旋霍尔电导预测方法的设计。

背景技术

在材料的众多物理效应中，霍尔效应是一种重要的电磁效应，当导体材料受到一个与其内通过的电流方向垂直的磁场时，在洛伦兹力的影响下，导体材料中的电子会聚集在导体材料两端，形成磁场，使得后面通过的载流子不发生偏移。霍尔效应在传感器的制作上有着广泛的应用。自旋霍尔效应是一种特殊且重要的霍尔效应，通过在半导体材料内进行垂直方向的自发诱导，可以大大提升半导体材料的电导。自旋霍尔电导可以使材料的能量耗散降到很低，生产的器件对于计算机和量子计算领域都有巨大的推动作用。

在材料科学领域，通常使用高通量方法对自旋霍尔电导进行计算，这种方法一般耗时较长，计算周期为一周左右，同时需要消耗较大的计算资源。近年来，随着深度学习技术的发展，越来越多的科学家将其应用于材料性质预测领域，根据以往的实验数据，分析预测影响待预测性质的因素和其变化的规律，目前已经有材料科学家构建深度学习神经网络模型对材料能带间隙结构进行预测，还有利用卷积神经网络对化合物的形成能和超导转变温度进行预测。

目前，利用深度学习技术对材料自旋霍尔电导预测的研究较少，根据材料科学相关理论研究指出，材料的能带数据对自旋霍尔电导有一定的影响作用，因此需要一种技术利用材料能带数据对自旋霍尔电导进行预测，以缩短获取材料的自旋霍尔电导的时间，同时还能够验证材料的某些物理性质对自旋霍尔电导的影响，为材料科学的理论发展提供参考。

发明内容

本发明的目的是为了解决现有自旋霍尔电导计算方法耗时较长且需要消耗较大的计算资源的问题，提出了一种基于深度学习的材料自旋霍尔电导预测方法。

本发明的技术方案为：一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：

S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集。

S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集。

S3、构建深度神经网络模型。

S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型。

S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。

进一步地，步骤S1中数据扩充的具体方法为：选取自旋霍尔电导所在能量附近的五条能带作为一条能带数据，每条能带数据包括306个点位和每个点位对应的能量值。

进一步地，步骤S1中数据处理的具体方法为：当某个点位能带劈裂程度大于0.1eV时，该点位的能量值为同轨道两条能带上同点位较低的能量值与带权值的能带劈裂程度之和。

进一步地，步骤S2中训练集、验证集和测试集的比例为7:2:1。

进一步地，步骤S3中构建的深度神经网络模型包括依次连接的能带特征提取模块、时序特征提取模块、Transformer特征提取模块和全连接层。

能带特征提取模块用于接收输入的二维能带数据，对每条能带的物理特征进行提取，并作为时序特征提取模块的输入。