[发明专利]大数据、人工智能、超算协同的材料性能预测方法

摘要

本发明提供一种大数据、人工智能、超算协同的材料性能预测方法，涉及材料性能预测技术领域，所述方法包括：获取原始数据集并进行预处理；创建多个不同的贝叶斯深度网络模型；构造权重的高斯先验分布；构造似然函数；根据贝叶斯准则计算权重的后验概率分布函数；然后利用高斯近似方法在超级计算机上并行求解每个模型的参数后验，直至参数后验收敛；之后利用预测集通过每个网络模型得到预测输出，计算每个贝叶斯深度网络模型的占所有网络的权重比；最后根据训练好的贝叶斯深度网络模型对预测集进行预测，得到最终预测值和预测值的误差条，至此，整个网络模型构建完毕。本发明的方法能够提高材料性能预测的质量和效率。

主权项

1.一种大数据、人工智能、超算协同的材料性能预测方法，其特征在于，包括：步骤1：获取原始数据集并进行预处理；步骤2：创建多个不同的贝叶斯深度网络模型，给予每个贝叶斯深度网络模型赋予一组随机化的权重初始值；步骤3：针对每个贝叶斯深度网络模型中每两个神经元之间的权重w，引入正则化项，构造权重w的高斯先验分布；步骤4：针对所述权重w，构造似然函数；步骤5：根据贝叶斯准则得到所述权重w的后验概率分布函数；步骤6：利用高斯近似方法在超级计算机上GPU+CPU并行求解每个贝叶斯深度网络模型的参数后验p(w|D)，对于其中任意一个贝叶斯深度网络模型来说，如果计算得到的p(w|D)不收敛，则回到步骤3继续更新w；若收敛，则继续下一步骤，从而得到比较好的一组w，其他的贝叶斯深度网络模型经过的步骤相同，最后，每个贝叶斯深度网络模型构建完毕；步骤7：利用预测集通过每个贝叶斯深度网络模型得到预测输出，然后根据预测输出的准确度，计算每个贝叶斯深度网络模型的占所有网络的权重比；步骤8：根据上述所有训练好的贝叶斯深度网络模型对预测集进行预测，并根据所述权重比加权得到最终预测值和预测值的误差条，至此，整个网络模型构建完毕。