CN112216355B - 一种基于机器学习的多组分晶体构型能预测方法 - Google Patents
一种基于机器学习的多组分晶体构型能预测方法 Download PDFInfo
- Publication number
- CN112216355B CN112216355B CN202011140008.XA CN202011140008A CN112216355B CN 112216355 B CN112216355 B CN 112216355B CN 202011140008 A CN202011140008 A CN 202011140008A CN 112216355 B CN112216355 B CN 112216355B
- Authority
- CN
- China
- Prior art keywords
- cluster
- machine learning
- energy
- component crystal
- configuration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013078 crystal Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000005314 correlation function Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 239000000463 material Substances 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000009795 derivation Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 229910045601 alloy Inorganic materials 0.000 description 5
- 239000000956 alloy Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 229910002056 binary alloy Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 102100033314 U6 snRNA-associated Sm-like protein LSm1 Human genes 0.000 description 2
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001017896 Homo sapiens U6 snRNA-associated Sm-like protein LSm1 Proteins 0.000 description 1
- 102100021164 Vasodilator-stimulated phosphoprotein Human genes 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000005284 basis set Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 108010054220 vasodilator-stimulated phosphoprotein Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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，mα表示每个位点的团簇的多样性；表示团簇基函数；Ωα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；Vα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：
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。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1示出了根据本发明实施方式的一种基于机器学习的多组分晶体构型能预测方法的示意性流程图。
图2示出了根据本发明实施方式的一种基于机器学习的多组分晶体构型能预测方法的应用各机器学习算法的多组分晶体构型能预测结果图；其中，图(a)表示应用神经网络的构型能预测结果，图(b)表示应用随机森林的构型能预测结果，图(c)表示应用支持向量回归的构型能预测结果，图(d)表示应用高斯过程回归的构型能预测结果。
图3示出了根据本发明实施方式的一种基于机器学习的多组分晶体构型能预测方法的经过特征筛选之后应用各机器学习算法的多组分晶体构型能预测结果图；其中，图(a)表示应用神经网络的构型能预测结果，图(b)表示应用随机森林的构型能预测结果，图(c)表示应用支持向量回归的构型能预测结果，图(d)表示应用高斯过程回归的构型能预测结果。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
图1示出了根据本发明实施方式的一种基于机器学习的多组分晶体构型能预测方法的示意性流程图。如图1所示，该方法包括，
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；
进一步地，利用团簇扩展方法提取计算多组分晶体构型形成能所需的特征，该特征提取方法包括以下步骤，
步骤二一、首先对多组分晶体进行不同团簇轨道划分，例如划分为対簇、三簇、四簇；
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；其中，相关函数是所有对称等效簇函数的平均值，即将同一团簇轨道上的所有团簇函数相加，并除以团簇不同类型的个数。相关函数可表示为：
其中，mα表示每个位点的团簇的多样性；表示团簇基函数；Ωα表示轨道；N表示原子个数。
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；或者，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，获得多组分晶体构型能。
团簇扩展被公式化为线性团簇基函数乘以常数扩展系数，常数扩展系数取决于多组分固体的基本化学性质和晶体结构。团簇扩展在形式上是精确的，但实际上必须被截断。本发明以团簇扩展方法为基础，但放宽了线性约束，进行特征选取计算，允许用团簇展开的方式依据扩展系数来构建可以描述构型的函数，已广泛应用于金属和半导体合金物理性能的第一性原理计算。下面以简单的二元合金对团簇扩展方法作详细解释说明。
N个位点的元晶体组成的特定顺序可以由占位变量的展开向量来表示：其中σi等于+1或-1，其取决于位点i的占位。研究证明，二元合金的任何标量属性都取决于/>例如其完全松弛的形成能，可以表示为：
该和延伸到晶体内位点α所有的簇(例如点簇、对簇、三重态簇等)，且：
团簇函数定义为属于团簇α的占位变量的乘积，是相对于一个完整的正交基在一个特定的标量积/>空间中形成的。扩展系数Vα是恒定的，仅由合金的化学性质和晶体结构来确定。
任何两个团簇函数和/>在具有相同的扩展系数时可以通过晶体的空间群组操作互相映射，所有可以通过晶体的对称操作之后与原型团簇函数/>相关的团簇函数/>可以组合成一个团簇函数的轨道/>例如，所有通过对称操作与原型最近邻对簇相关的最近邻对簇的所有团簇函数都属于同一轨道。然而在二元合金中，对于每个对称不同的团簇类型，都存在着一个团簇函数轨道，被划分在不同轨道的团簇函数可以组成一个集合Λ＝{Ωα，Ωβ，…}，其中，α、β对应于对称不同的团簇原型。
由于对称相同的团簇的扩展系数是相同的，所以每个团簇函数的轨道上就仅存在一个扩展系数。这样就可以将完全松弛的形成能表示式重写，如下式所示，首先将轨道求和，然后将每个轨道内的团簇函数求和：
上式通过晶体中的原子数归一化，可重写为：
其中，mα是每个位点的团簇的多样性；相关函数是对于特定顺序/>轨道Ωα上的团簇函数/>的平均值。引入相关函数的定义：
对于二元合金，每个对称不同的团簇类型，例如最近邻对簇、次近邻对簇、最近邻三重态簇等，都有相关函数与之相关。对于特定顺序/>的所有相关函数值由于相关函数是所有对称等效簇函数的平均值，因此它们对于应用到有特定顺序/>晶体的母晶的任何空间群运算的操作都是不变的。因此，顺序为/>的相关函数与顺序为/>(与顺序/>对称)的相关函数相等，它们是对一种不受底层晶体空间群运算影响的晶体上某一特定构型有序状态的度量。
将团簇扩展后的能量重新转换为站点能量之和是具有指导意义的。为此，定义作为位点i周围所有经过对此操作与/>相关联的团簇函数的集合轨道。/>是Ωα的一个子集，是由与从位点i辐射出去的团簇相关的团簇函数构成的，从位点i辐射出来的所有的团簇函数的轨道构成一个集合/>因此，可以重写总能量为：
单个位点能量被定义为：
其中，|α|是总能量公式(6)中出现的团簇中的所有位点数量，是为了避免在计算各个位点能量和的时候重复相加。
上述单个位点能量公式(7)表明了局部中心位点相关函数被定义为：
在测量局部有序度时，上式中是含有位点i的所有对称等价团簇的加和，在被母晶的局部有序度进行群组操作允许的情况下位点i周围的方位做任何改变它都是不变的。
具体实施例一
本发明是在严格物理理论推导下，选取与将要计算的属性有相关性的输入特征，并借助机器学习算法模型，弱化线性约束，从而进行模型训练，得出一个能够方便计算的非线性机器学习算法模型。
合金的特性对母体晶体结构上不同化学物种的有序性或无序性很敏感，但是作为机器学习问题，合金受到的关注较少。在这里，从机器学习的角度解决了合金问题，并表明可以使用在晶格模型哈密顿量的背景下开发的数学工具来制定合适且稳定的构型有序度的描述符。
在此，以团簇扩展方法为基础，但放宽了线性约束，并利用高级的机器学习工具(例如神经网络和高斯过程回归)来表示依赖于合金构型的晶体特性(取决于对称性的不变的顺序描述符)。作为描述符，使用相关函数，即由团簇基函数计算而得的机器学习模型所需训练输入特征，通过对氧化锆ZrO进行不同构型的形成能进行建模来说明该方法。
首先建立CASM所需唯一输入文件prim.json，该文件为计算的晶体材料的晶格常数、晶格矢量、基元形式、原子坐标模式、晶格描述(fcc,bcc,hcp等)、晶体名称；在Linux系统下将输入文件输入进行项目初始化，选择合成轴，然后执行；设置截止扩大体积倍数，然后生成描述该晶体不同构型的文件；
然后利用VASP等第一性原理计算软件给出上述该晶体相关构型的形成能，用作后续进行机器学习算法模型训练的训练集和测试集；
然后设置合适的化学参考参数，指定团簇基函数和轨道参数，生成团簇基集文件，用于后续训练机器学习模型所需的输入特征，特征提取方法可采用软件CASM(一种基于统计力学的团簇方法(GitHub上开源软件))进行特征提取；一个晶体的构型能可以表示为：
其中，N表示原子个数；V0表示空簇构型能；Vα表示团簇扩展系数；表示关于占位变量的函数，即团簇基函数。上式可以改写为：
其中，表示相关函数，是团簇轨道上所有对称等价团簇函数的平均值。
进一步地，将相关函数和能量之间的线性约束放宽，得到上述训练所需标签和输入特征之后，训练机器学习模型来寻找他们之间的关系，选择的机器学习算法包括神经网络、高斯过程回归(GPR)、支持向量回归(SVR)、随机森林(RF)等。
该晶体相关构型形成能数据集包括336种构型，且每个标签中含有74个相关函数(corr)作为特征，数据集中的75％作为训练集，25％作为测试集；测试时采用bootstrap方法进行随机选取测试集，用MSE(均方误差)和R2(决定系数)用来评估预测值与真实值的拟合程度，其中，MSE越小表示拟合越好，R2越大表示拟合越好，图2和表1示出了构型能预测结果，其中，图2中(a)表示应用神经网络的构型能预测结果，(b)表示应用随机森林的构型能预测结果，(c)表示应用支持向量回归的构型能预测结果，(d)表示应用高斯过程回归的构型能预测结果。从中可以看出，综合各种机器学习算法运用之后来看MSE和R2表现，通过本发明预测方法获得的预测值与真实值拟合度很高，均方误差较小；综合以上几种算法来看，神经网络表现最优秀，支持向量回归表现稍差。
表1
| 机器学习算法 | MSE | R2 |
| 神经网络 | 0.0017739434947238511 | 0.9040089343592804 |
| 随机森林 | 0.0027986561900289323 | 0.8704372005930973 |
| 支持向量回归 | 0.004066913004309678 | 0.7558093384159413 |
| 高斯过程回归 | 0.002081198742597059 | 0.892914448623596 |
在输入特征的选择上可以用遗传算法等进行筛选，选择相关性更强且对被预测属性影响更大的特征，去掉冗余特征，提高准确度和效率。每一个索引(index)中的二进制数字为74个，即特征筛选之前共截断到74个团簇轨道，每个团簇轨道上都是等价对称团簇，所用的特征由此给出，index值越小，表示筛选出的特征组合越优越；其中标志置为1的特征组合中对应编号的团簇轨道被选中，获得对应的相关函数作为机器学习模型训练的输入特征，再次重复上面训练预测操作，图3和表2示出了经过特征筛选后的构型能预测结果，其中，图3中(a)表示应用神经网络的构型能预测结果，(b)表示应用随机森林的构型能预测结果，(c)表示应用支持向量回归的构型能预测结果，(d)表示应用高斯过程回归的构型能预测结果。从中可以看出，进行特征筛选之后的预测结果要比筛选之前更加精准，误差更低，拟合度更好。
表2
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (4)
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、采用团簇扩展方法提取计算多组分晶体构型能所需的特征；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；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；
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；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，表示为：
其中，mα表示每个位点的团簇的多样性；表示团簇基函数；Ωα表示轨道；N表示原子个数；
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；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；Vα表示团簇扩展系数；表示相关函数。
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。
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，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011140008.XA CN112216355B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器学习的多组分晶体构型能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011140008.XA CN112216355B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器学习的多组分晶体构型能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112216355A CN112216355A (zh) | 2021-01-12 |
| CN112216355B true CN112216355B (zh) | 2024-01-26 |
Family
ID=74054913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011140008.XA Active CN112216355B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器学习的多组分晶体构型能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112216355B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112992290B (zh) * | 2021-03-17 | 2024-02-23 | 华北电力大学 | 一种基于机器学习和团簇模型的钙钛矿带隙预测方法 |
| CN113192578B (zh) * | 2021-06-04 | 2024-06-04 | 北京市计算中心有限公司 | 晶体对称性及能带路径确定方法及装置 |
| CN113326664B (zh) * | 2021-06-28 | 2022-10-21 | 南京玻璃纤维研究设计院有限公司 | 一种基于m5p算法预测玻璃介电常数的方法 |
| CN113963758A (zh) * | 2021-11-16 | 2022-01-21 | 中国科学院山西煤炭化学研究所 | 无序材料热力学稳定结构的预测推荐方法、设备、终端 |
| CN114464263A (zh) * | 2021-12-24 | 2022-05-10 | 深圳晶泰科技有限公司 | 一种分子晶体能量计算方法、装置及存储介质 |
| CN114464274A (zh) * | 2022-01-14 | 2022-05-10 | 哈尔滨理工大学 | 一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法 |
| CN115547425B (zh) * | 2022-11-25 | 2023-04-07 | 安徽大学 | 一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136782A (zh) * | 2019-05-28 | 2019-08-16 | 北京科技大学 | 一种金属氧化物团簇结构模型的构造方法 |
| CN111627505A (zh) * | 2020-06-04 | 2020-09-04 | 安庆师范大学 | 一种团簇结构类型识别方法 |
| WO2020203922A1 (ja) * | 2019-03-29 | 2020-10-08 | 株式会社クロスアビリティ | 結晶形予測装置、結晶形予測方法、ニューラルネットワークモデルの製造方法、及びプログラム |
-
2020
- 2020-10-22 CN CN202011140008.XA patent/CN112216355B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020203922A1 (ja) * | 2019-03-29 | 2020-10-08 | 株式会社クロスアビリティ | 結晶形予測装置、結晶形予測方法、ニューラルネットワークモデルの製造方法、及びプログラム |
| CN110136782A (zh) * | 2019-05-28 | 2019-08-16 | 北京科技大学 | 一种金属氧化物团簇结构模型的构造方法 |
| CN111627505A (zh) * | 2020-06-04 | 2020-09-04 | 安庆师范大学 | 一种团簇结构类型识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Cluster expansion method and its application in computational materials science";Qu Wu et al.;Computational Materials Science(第125期);第241-254页 * |
| 遗传算法研究原子团簇;王广厚;物理学进展(第03期);第251-275页 * |
| 遗传算法结合密度泛函理论研究Cu_(13)团簇的几何结构;艾合买提江・司地克;张蓓;段海明;;原子与分子物理学报(第05期);第99-104页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112216355A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112216355B (zh) | 一种基于机器学习的多组分晶体构型能预测方法 | |
| CN112382352B (zh) | 基于机器学习的金属有机骨架材料结构特征快速评估方法 | |
| Giri et al. | Emulation of baryonic effects on the matter power spectrum and constraints from galaxy cluster data | |
| Chien et al. | A framework for root cause detection of sub-batch processing system for semiconductor manufacturing big data analytics | |
| JP7103341B2 (ja) | 関係性探索システム、情報処理装置、方法およびプログラム | |
| Wang et al. | A comparison meta-modeling methods using practical industry requirements | |
| CN114528996B (zh) | 一种目标体系试验态初始参数的确定方法、装置及介质 | |
| US20210383897A1 (en) | Structure search method, structure search apparatus, and non-transitory computer-readable storage medium for storing structure search program | |
| JPWO2020065806A1 (ja) | 処理装置、処理方法、およびプログラム | |
| Sturm et al. | Predicting impurity spectral functions using machine learning | |
| Choudhary et al. | JARVIS-Leaderboard: a large scale benchmark of materials design methods | |
| Baughman et al. | Study of feature importance for quantum machine learning models | |
| Dev et al. | Comparison of tree based ensemble machine learning methods for prediction of rate constant of Diels-Alder reaction | |
| CN105956605A (zh) | 基于并行k-means聚类的三维结构相似性聚类方法 | |
| Kemper et al. | Transfer-matrix density-matrix renormalization group for stochastic models: the Domany-Kinzel cellular automaton | |
| Karunasena et al. | Application of Graph Theory in DNA similarity analysis of Evolutionary Closed Species | |
| US20200381078A1 (en) | Structure search apparatus, method, and recording medium | |
| Bélisle et al. | Scalable gaussian process regression for prediction of material properties | |
| Dimaculangan et al. | Semiconductor Manufacturing Final Test Yield Prediction Using Regression with Genetic Algorithm-Based Feature Selection | |
| Innan et al. | Classical-to-Quantum Sequence Encoding in Genomics | |
| Ermakov et al. | GENETIC STOCHASTIC METHOD OF GLOBAL EXTREMUM SEARCH FOR MULTIVARIABLE FUNCTION | |
| Li | Tesla stock prediction: a comparative study between four models | |
| Juneja et al. | Optimization of dejong function using ga under different selection algorithms | |
| CN114817418B (zh) | 一种基于k-truss和图核的图分类方法及其用途 | |
| JP7224263B2 (ja) | モデル生成方法、モデル生成装置及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Shu Inventor after: Wang Peng Inventor after: Mei Jinshuo Inventor after: Zou Rui Inventor before: Wang Peng Inventor before: Li Shu Inventor before: Mei Jinshuo Inventor before: Zou Rui |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |