CN113505527B - 一种基于数据驱动的材料性质预测方法及系统 - Google Patents
一种基于数据驱动的材料性质预测方法及系统 Download PDFInfo
- Publication number
- CN113505527B CN113505527B CN202110705753.2A CN202110705753A CN113505527B CN 113505527 B CN113505527 B CN 113505527B CN 202110705753 A CN202110705753 A CN 202110705753A CN 113505527 B CN113505527 B CN 113505527B
- Authority
- CN
- China
- Prior art keywords
- target material
- data set
- recombination
- prediction
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数据驱动的材料性质预测方法及系统。在一个实施例中,获取目标材料的预测数据集;根据所述目标材料的预测数据集获取所述目标材料的初始特征向量;将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量;根据所述目标材料的重组特征向量结合所述特征重组网络模型对应的评估算法对所述材料的目标性质进行预测。根据已有的数据自动选择和学习新的材料特征,使得在可处理的数据维度下,获得更加准确的特征描述,对目标材料性质预测的准确性也不断提高。
Description
技术领域
本发明涉及材料预测和分析技术领域,尤其涉及一种基于数据驱动的材料性质预测方法及系统。
背景技术
近年来,机器学习方法已经成为材料性质预测以及新材料设计的重要手段。准确的材料特征描述是材料性质预测的关键因素之一。在特征提取方面,研究人员会选择一组完备的特征,对结构进行描述,以提高机器学习模型的学习精度。目前研究人员一般根据经验提取一些与结构相关的性质作为特征,进行预测模型训练。对于一些与结构关系不明显的材料性质,简单的特征的选择一般难以实现特定性质的预测。此时迁移学习方法可以作为一个重要的解决方案。其可通过预测其他易于预测的相关性质的方法对原始特征进行初步提取,再基于该特征进行所选性质的模型预测,有效的提高模型的预测精度。
目前材料特征提取方法一般基于经验指定特征向量,或者通过固定数学运算对特征进行重组。目前还鲜有一种通过神经网络预测特征向量的方法。
发明内容
有鉴于此,本申请实施例提供了一种基于数据驱动的材料性质预测方法及系统。
第一方面,本申请实施例提供了一种基于数据驱动的材料性质预测方法,其特征在于,包括:
获取目标材料的预测数据集;
根据所述目标材料的预测数据集获取所述目标材料的初始特征向量;
将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量;
根据所述目标材料的重组特征向量结合所述特征重组网络模型对应的评估算法对所述目标材料的性质进行预测。
可选地,所述获取目标材料的预测数据集包括:
根据用户输入的筛选条件,从已有的数据集中获取目标材料的预测数据集;和/或,
将用户输入的材料数据集作为目标材料的预测数据集;和/或,
对用户输入的目标材料数据集进行扩充,并将扩充以后的数据集作为目标材料的预测数据集。
可选地,所述目标材料的预测数据集中至少包括:目标材料的化学式、目标材料的成分信息和晶胞信息。
可选地,所述根据所述目标材料的预测数据集获取所述目标材料的初始特征向量包括:
根据所述预测数据集中的材料数据获取初始特征向量;或者,
在基础物理化学信息库中对所述预测数据集中的数据进行检索,根据检索到的与所述预测数据集中的材料数据相关的信息获取初始特征向量。
可选地,在将所述初始特征向量输入到特征重组网络模型之前还包括:构建特征重组网络模型。
可选地,所述构建特征重组网络包括:
获取目标材料的训练数据集和测试数据集;
根据所述训练数据集获取所述目标材料的初始特征向量,并根据所述初始特征向量设计特征重组网络的超参数信息;
根据所述初始特征向量和所述超参数信息生成多个特征重组网络,并设置模型评估算法对所述多个特征重组网络进行筛选和优化,得到特征重组网络模型。
可选地,所述评估算法可以是机器学习模型或者经验模型。
可选地,所述根据所述初始特征向量和所述超参数信息生成多个特征重组网络,并设置模型评估算法对所述多个特征重组网络进行筛选和优化包括:
根据所述超参数信息,产生多个特征重组网络进行训练,并获取不同权值对应的重组特征向量;
利用所述重组特征向量对训练数据集中的材料的性质进行预测并获取预测目标值;
利用模型评估算法获取预测目标与真实目标值的评估值,根据所述评估值对特征重组网络进行筛选和优化;其中,所述真实目标值与所述测试数据集中的材料的性质相对应。
可选地,在构建所述特征重组网络模型以后还包括:
将所述特征重组网络模型和所述特征重组网络模型对应的评估算法存储到模型数据库中。
第二方面,本申请实施例提供了一种基于数据驱动的材料性质预测系统,其特征在于,包括:
获取单元,用于获取目标材料的训练数据集;
训练单元,根据所述训练数据集获取所述目标材料的初始特征向量,并根据所述初始特征向量设计特征重组网络的超参数信息;根据所述初始特征向量和所述超参数信息生成多个特征重组网络,并设置模型评估算法对所述多个特征重组网络进行筛选和优化,得到特征重组网络模型;
所述获取单元,还用于获取目标材料的预测数据集,并根据所述目标材料的预测数据集获取所述目标材料的初始特征向量;
预测单元,用于将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量,并根据所述目标材料的重组特征向量对所述目标材料的性质进行预测。
本申请实施例提供了一种基于数据驱动的材料性质预测方法及系统,可以根据采集的目标数据集中的数据自动提取和学习材料特征,无需过多经验指导即可获取准确合理的特征描述。根据已有的数据自动选择和学习新的材料特征,不断提高特征描述的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种基于数据驱动的材料性质预测系统的结构示意图;
图2为本申请实施例提供的一种基于数据驱动的材料性质预测方法的流程示意图;
图3为本申请实施例提供的一种获取特征重组网络模型的流程示意图;
图4为本申请实施例提供的又一种基于数据驱动的材料性质预测方法的流程示意。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
对于复杂的结构特征的提取,人为定义的结构表征方法难以实现对结构特征的全面描述。图神经网络的方法因其可有效提取材料结构和元素特征被应用于晶体结构等材料的性质预测,如CGCNN(Crystal Graph Convolutional Neural Networks)等。除此之外,另一特征提取是对特征进行数学运算,筛选出合理的特征,代表性的方法有符号回归和SISSO(Sure Independence Screening and Sparsifying Operator)等。
以上特征选取的方法大都适用于目标值与特征值之间存在固定的显式关联关系的情况,对于目标值与特征之间存在深层复杂关系的情况,就需要寻求一种新的特征搜索方法。在本发明申请实施例中提供来了一种基于数据驱动的材料性质预测方法及系统,利用神经网络对基本特征进行重组,借助机器学习预测能力评价的相关系数对特征向量进行评估,实现对原始特征的重组。再结合遗传算法更新神经网络参数,使得获取的特征更适合与预测模型的拟合,最终提高模型的预测精度。
图1为本发明是申请实施例提供的一种基于数据驱动的材料性质预测系统的结构示意图。参见图1,本申请实施例中的一种基于数据驱动的材料性质预测系统包括:获取单元101、训练单元102、预测单元103、存储单元104、显示单元105.这些元件可以连接到内部总线,也可以通过单独的布线彼此连接。
获取单元101用于获取目标材料的数据集,并将获取的数据集分为测试数据集和训练数据集。其中,获取的目标材料的数据集中至少包括:目标材料的化学式、目标材料的成分信息和晶胞信息。
具体地,获取单元101在获取目标材料的数据集时,可以根据用户输入的筛选条件,从已有的数据集中获取目标材料的数据集,或者直接将用户输入的数据集作为目标材料的数据集,或者对用户输入的材料数据集进行扩充,将扩充以后的数据集作为目标材料的数据集。
训练单元102用于通过神经网络模型对获取单元101获取的目标材料数据进行训练,得到特征重组网络模型。
具体地,训练单元102根据目标材料数据集获取目标材料的初始特征向量,并根据该初始特征向量设计特征重组网络的超参数信息。然后根据该超参数信息和初始特征向量产生批量网络进行训练,并获取不同权值对应的重组特征向量。根据不同权值对应的重组特征向量对目标材料数据集中的目标材料的性质进行预测,得到预测目标值。然后,通过预先设置好的模型评估算法获取预测目标值与测试目标值的评估值,根据该评估值对特征重组网络进行筛选和优化,最终获取适合该材料体系的特征重组网络模型。
在获得特征重组网络模型以后,还需要将该特征重组网络模型和与该特征重组网络模型对应的模型评估算法一起存储到存储单元104中。
获取单元101还用于获取待预测的目标材料的数据集。
预测单元103用于从存储单元104中获取特征重组网络模型和该特征重组网络模型对应的模型评估算法对待预测的数据集中的材料的性质进行预测。
显示单元105用于接收并显示用户输入的筛选条件,以及对预测单元103的预测结果进行显示。
本申请实施例中,可以根据采集的目标数据集中的数据自动提取和学习材料特征,使得在材料结构表征方面无需过多人为经验的影响。根据已有的数据自动选择和学习新的材料特征,不断提高特征描述的准确性。
本发明申请实施例还提供了一种基于数据驱动的材料性质预测方法,参照图2,本发明申请实施例提供的一种基于数据驱动的材料性质预测方法包括:
步骤S201,获取目标材料的预测数据集。
目标材料数据集是指由所需预测性能的材料的数据构成的数据集,该数据集中至少包括:目标材料的化学式、目标材料的成分信息和目标材料的晶胞信息。
具体地,在获取目标材料的数据时,可以将从系统已有的数据库中获取的数据集作为目标材料数据集,也可以将用户输入的数据集作为目标材料数据集,还可以对用户输入的材料数据集进行扩充,将扩充以后的数据集作为目标材料的数据集。
步骤S202,根据所述目标材料的预测数据集获取所述目标材料的初始特征向量。
具体地,在获取训练数据集中的材料数据的初始特征向量时,可以根据训练数据集中的材料数据获取初始特征向量。也可以在基础物理化学信息库中对训练数据集中的数据进行检索,根据检索到的与训练数据集中的材料数据相关的信息获取初始特征向量。其中,在基础物理化学信息库中检索到的与训练数据集中的材料数据相关的信息主要包括:全面的材料元素性质、目标材料的结构性质以及通过对结构信息初步处理得到的特征,如库伦矩阵等。
在一个示例中,材料的元素信息包括:原子序数、原子半径、电负性和氧化价态等。材料的结构性质包括:材料的晶胞形状、晶胞大小、元素名称以及对应的原子位置。
步骤S203,将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量。
具体地,需要从模型数据库中获取与目标特征材料相对应的特征重组网络模型。当模型数据库中不存在满足要求的特征重组网络模型时,可以构建一个新的重组特征网络模型,其构建过程如图3所示,包括:
步骤S2031,获取目标材料的训练数据集和测试数据集。
获取目标材料的数据集的过程与步骤S201相同,当获取到需要的目标材料的数据集以后,可以对获取的目标材料数据集进行划分,划分为训练数据集和测试数据集。
步骤S2032,根据所述目标材料的数据集获取所述目标材料的初始特征向量,并根据所述初始特征向量设计特征重组网络的超参数信息。
步骤S2033,根据初始特征向量和超参数信息生成多个特征重组网络,并设置模型评估算法对多个特征重组网络进行筛选和优化,得到特征重组网络模型。
通过步骤S2031中的训练数据集来进行模型训练以及通过测试数据集来对训练得到的模型进行筛选和优化,具体包括:根据生成的特征重组网络的超参数信息,产生批量的网络进行训练获取不同权值对应的重组特征向量,并利用不同权值对应的重组特征向量对目标材料的性质进行预测,得到多个预测目标值。然后通过预先设置的模型评估算法,获取每一个预测目标值与真实目标值的评估值。然后根据该评估值对特征重组网络进行筛选,并基于筛选出来的特征重组网络继续开展重组特征训练,从而实现对重组网络的进一步优化,最终获取适合该材料体系的特征重组网络模型。然后将该特征重组网络模型和该特征重组网络模型对应的评估算法存入到模型数据库中。
进一步地,在根据初始特征向量和超参数信息生成多个特征重组网络之前,还需要设置特征重组网络模型的评估算法。该评估算法用于对构建的重组网络进行评估。具体地,设置的评估算法可以是机器学习模型,也可以是经验模型,可以由用户指定的,也可以是由系统推荐。
步骤S204,根据所述目标材料的重组特征向量对所述目标材料的性质进行预测。
在本申请实施例中,当需要对某一类目标材料的性质进行预测时,首先根据该目标材料的数据集获取该目标材料的初始特征向量,然后根据该初始特征特征向量从模型数据库中选取对应的特征重组网络模型和评估算法。将需要预测的目标材料的初始特征向量输入到特征重组网络模型中,得到重组特征向量,基于评估算法和重组特征向量对目标材料的性质进行预测。
图4为本申请实施例提供的又一种基于数据驱动的材料性质预测方法的流程示意图,参照图4包括:
步骤S401,获取目标材料的数据集。
该步骤与步骤S201相同,在此不再赘述。
步骤S402,获取目标材料的初始特征向量。
该步骤与步骤S202相同,在此不再赘述。
步骤S403,根据目标材料的初始特征向量构建特征重组网络。
步骤S404,设置特征重组网络的评估算法。
步骤S405,根据设置的评估算法对步骤S302中构建的特征重组网络进行筛选和优化,得到特征重组网络模型。
步骤S403-步骤S405与步骤S2032-步骤S2033的实现方式相同,在此不再赘述。
当目标特征重组网络训练好以后,可以将该特征重组网络模型以及与该特征重组网络模型对应的评估算法存储在模型数据库中。当需要对某一材料进行预测时,可以从模型数据库中获取需要的网络模型进行预测。在本申请实施例中,以钙钛矿材料进行说明,其预测过程包括步骤S406-步骤S408。
步骤S406,获取预测材料数据集和该预测材料数据集的初始特征向量。
具体地,首先需要从钙钛矿材料数据集中提取钙钛矿材料的初始特征数据,提取的初始特征数据包括:钙钛矿材料的化学式、成分信息、晶胞信息以及系统根据钙钛矿材料的初始特征数据信息进一步补充的信息,如原子序数、电负性等基本元素特征。然后将提取的初始特征数据进行组合或者部分组合构成钙钛材料的初始特征向量。
步骤S407,根据该预测材料数据集从模型数据库中获取特征重组网络模型和与该模型对应的评估算法。
在获取钙钛矿材料的数据集时,可以从已有的数据集中进行抽取。当确定好钙钛矿材料的数据集以后,还需要从模型数据库中选择符合该材料体系的特征重组网络模型。
步骤S408,将获取的初始特征向量输入到特征重组网络模型中,得到重组特征向量,并根据获取的评估算法和重组特征向量对预测材料的性质进行预测。
在一个可能的示例中,当模型数据库中不存在符合要求的特征重组网络模型时,可以根据获取的预测材料数据集,进行模型训练获得符合要求的特征重组网络模型。具体地,在步骤S406中,在获取到钙钛材料数据集以后,将该数据集划分为训练数据集和评估数据集。然后,获取训练数据集对应的初始特征向量,并根据该初始特征向量设重组网络的超参数信息。在一个示例中,网络的超参数信息包括:输入向量的维度,深度网络的层数、每一层神经元的个数以及最终输出的材料特征的维度信息。进一步地,输入向量的维度需要与初始特征向量的维度一致,深度网络的层数、每一层神经元的个数以及最终输出的材料特征的维度信息可以根据用户的需求进行确定也可以根据系统的推荐确定。
在确定重组特征网络的超参数信息以后,产生批量的网络进行训练,获取不同权值对应的重组特征向量,并利用不同权值对应的重组特征向量对钙钛材料的能隙进行预测得到预测目标值。然后利用预先设置的模型评估算法获取预测目标值与通过评估数据集获取的真实目标值的评估值,根据该评估值对特征重组网络进行筛选,并基于筛选出的特征重组网络继续开展重组特征训练,从而对重组网络进一步优化,最终获取适合该材料体系的特征重组网络。将该重组网络的超参数信息和对应权值存储为网络模型,与该网络采用的评估算法共同存入模型数据库。
在本申请实施例中,通过机器学习训练获取特征,再通过机器学习验证特征选取的过程,以达成对材料原始特征的重组优化,形成针对相应材料的特征重组网络,提高材料性质预测的精度。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (6)
1.一种基于数据驱动的材料性质预测方法,其特征在于,包括:
获取目标材料的训练数据集和测试数据集;
根据所述训练数据集获取所述目标材料的初始特征向量,并根据所述初始特征向量设计特征重组网络的超参数信息;
根据所述超参数信息,产生多个特征重组网络进行训练,并获取不同权值对应的重组特征向量;
利用所述重组特征向量对训练数据集中的材料的性质进行预测并获取预测目标值;
利用模型评估算法获取预测目标与真实目标值的评估值,根据所述评估值对特征重组网络进行筛选和优化;其中,所述真实目标值与所述测试数据集中的材料的性质相对应;
获取目标材料的预测数据集;
根据所述目标材料的预测数据集获取所述目标材料的初始特征向量;
将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量;
根据所述目标材料的重组特征向量结合所述特征重组网络模型对应的评估算法对所述目标材料的性质进行预测;
所述获取目标材料的预测数据集包括:
根据用户输入的筛选条件,从已有的数据集中获取目标材料的预测数据集;和/或,
将用户输入的材料数据集作为目标材料的预测数据集;和/或,
对用户输入的目标材料数据集进行扩充,并将扩充以后的数据集作为目标材料的预测数据集。
2.根据权利要求1所述的方法,其特征在于,所述目标材料的预测数据集中至少包括:目标材料的化学式、目标材料的成分信息和晶胞信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标材料的预测数据集获取所述目标材料的初始特征向量包括:
根据所述预测数据集中的材料数据获取初始特征向量;或者,
在基础物理化学信息库中对所述预测数据集中的数据进行检索,根据检索到的与所述预测数据集中的材料数据相关的信息获取初始特征向量。
4.根据权利要求1所述的方法,其特征在于,所述评估算法可以是机器学习模型或者经验模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述特征重组网络模型和所述特征重组网络模型对应的评估算法存储到模型数据库中。
6.一种基于数据驱动的材料性质预测系统,其特征在于,包括:
获取单元,用于获取目标材料的训练数据集和测试数据集;
训练单元,根据所述训练数据集获取所述目标材料的初始特征向量,并根据所述初始特征向量设计特征重组网络的超参数信息;根据所述超参数信息,产生多个特征重组网络进行训练,并获取不同权值对应的重组特征向量;利用所述重组特征向量对训练数据集中的材料的性质进行预测并获取预测目标值;利用模型评估算法获取预测目标与真实目标值的评估值,根据所述评估值对特征重组网络进行筛选和优化;其中,所述真实目标值与所述测试数据集中的材料的性质相对应;
所述获取单元,还用于获取目标材料的预测数据集,并根据所述目标材料的预测数据集获取所述目标材料的初始特征向量;
预测单元,用于将所述初始特征向量输入到特征重组网络模型中,得到所述目标材料的重组特征向量,并根据所述目标材料的重组特征向量结合所述特征重组网络模型对应的评估算法对所述目标材料的性质进行预测;
所述获取目标材料的预测数据集包括:
根据用户输入的筛选条件,从已有的数据集中获取目标材料的预测数据集;和/或,
将用户输入的材料数据集作为目标材料的预测数据集;和/或,
对用户输入的目标材料数据集进行扩充,并将扩充以后的数据集作为目标材料的预测数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705753.2A CN113505527B (zh) | 2021-06-24 | 2021-06-24 | 一种基于数据驱动的材料性质预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705753.2A CN113505527B (zh) | 2021-06-24 | 2021-06-24 | 一种基于数据驱动的材料性质预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505527A CN113505527A (zh) | 2021-10-15 |
CN113505527B true CN113505527B (zh) | 2022-10-04 |
Family
ID=78010475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705753.2A Active CN113505527B (zh) | 2021-06-24 | 2021-06-24 | 一种基于数据驱动的材料性质预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505527B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8111722B1 (en) * | 2008-03-03 | 2012-02-07 | Oewaves, Inc. | Low-noise RF oscillation and optical comb generation based on nonlinear optical resonator |
CN109949877A (zh) * | 2019-03-15 | 2019-06-28 | 北京科技大学 | 一种基于材料科学实验的数据融合方法及系统 |
CN110797096A (zh) * | 2019-10-30 | 2020-02-14 | 合肥通用机械研究院有限公司 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和系统 |
CN111429980A (zh) * | 2020-04-14 | 2020-07-17 | 北京迈高材云科技有限公司 | 一种材料晶体结构特征的自动化获取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20072329A1 (it) * | 2007-12-13 | 2009-06-14 | Eni Spa | Metodo per predire un parametro di un bitume e relativo sistema di previsione |
WO2018098588A1 (en) * | 2016-12-02 | 2018-06-07 | Lumiant Corporation | Computer systems for and methods of identifying non-elemental materials based on atomistic properties |
US11428773B2 (en) * | 2018-01-17 | 2022-08-30 | Mersive Technologies, Inc. | Systems and methods to determine room occupancy |
US20210398329A1 (en) * | 2018-11-13 | 2021-12-23 | Koninklijke Philips N.V. | Artificial intelligence (ai)-based standardized uptake vaule (suv) correction and variation assessment for positron emission tomography (pet) |
US11901045B2 (en) * | 2019-01-15 | 2024-02-13 | International Business Machines Corporation | Machine learning framework for finding materials with desired properties |
CN111831808B (zh) * | 2020-07-16 | 2022-04-22 | 中国科学院计算机网络信息中心 | 一种数据驱动的人工智能材料预测系统 |
CN112966447A (zh) * | 2021-03-25 | 2021-06-15 | 北京化工大学 | 一种基于自动机器学习的化学材料吸附性能预测方法及装置 |
CN112906991A (zh) * | 2021-04-07 | 2021-06-04 | 中国科学院计算机网络信息中心 | 一种预测rafm钢辐照硬化行为的方法及装置 |
-
2021
- 2021-06-24 CN CN202110705753.2A patent/CN113505527B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8111722B1 (en) * | 2008-03-03 | 2012-02-07 | Oewaves, Inc. | Low-noise RF oscillation and optical comb generation based on nonlinear optical resonator |
CN109949877A (zh) * | 2019-03-15 | 2019-06-28 | 北京科技大学 | 一种基于材料科学实验的数据融合方法及系统 |
CN110797096A (zh) * | 2019-10-30 | 2020-02-14 | 合肥通用机械研究院有限公司 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和系统 |
CN111429980A (zh) * | 2020-04-14 | 2020-07-17 | 北京迈高材云科技有限公司 | 一种材料晶体结构特征的自动化获取方法 |
Non-Patent Citations (1)
Title |
---|
基于数据驱动的实时结构拓扑优化研究;姜延鑫;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210215(第2期);C031-481 * |
Also Published As
Publication number | Publication date |
---|---|
CN113505527A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102523472B1 (ko) | 신규 물질의 구조 생성 방법 및 장치 | |
US10963802B1 (en) | Distributed decision variable tuning system for machine learning | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
CN115659177A (zh) | 数据推荐模型的生成方法、装置和计算机设备 | |
JP2019179319A (ja) | 予測モデル作成装置、予測モデル作成方法および予測モデル作成プログラム | |
CN112257603A (zh) | 高光谱图像分类方法及相关设备 | |
WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
CN109767034B (zh) | 继电保护的定值优化方法、装置、计算机设备和存储介质 | |
CN113505527B (zh) | 一种基于数据驱动的材料性质预测方法及系统 | |
CN104462799A (zh) | 基于生命早期性能的继电器个体工作寿命预测与筛选方法 | |
CN113988272A (zh) | 一种生成神经网络的方法、装置、计算机设备和存储介质 | |
CN112199285B (zh) | 一种测试案例优选方法、装置及电子设备 | |
CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN116089595A (zh) | 基于科技成果的数据处理推送方法、装置及介质 | |
Mohanty et al. | Modeling the axial capacity of bored piles using multi-objective feature selection, functional network and multivariate adaptive regression spline | |
CN114648279A (zh) | 候选装卸货点位推荐方法、装置、计算机设备和存储介质 | |
Yuan et al. | Enhanced Morris for the extraction of significant parameters in high-dimensional design optimization | |
CN113222287A (zh) | 网约车需求预测方法、装置、设备及存储介质 | |
CN109884893A (zh) | 一种多工序变量间动态时滞估计方法 | |
Ghorbani et al. | A sparse identification approach for automating choice models' specification | |
CN117726181B (zh) | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 | |
CN112540756B (zh) | 一种基于光标位置推荐字段的ui界面构建方法 | |
JP4463516B2 (ja) | 類似点検索方法 | |
CN118070848A (zh) | 钠离子电池电极片的涂布工艺优化方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |