[發明專利]基于注意力機制和圖卷積神經網絡的晶體性質預測方法

有效

• 申請號: 202110509660.2
• 申請日: 2021-05-11
• 公開（公告）號: CN113327652B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 王步維;范謙;邵宇;樂云亮
• 申請（專利權）人: 揚州大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C60/00;G06N3/042
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于注意力機制和晶體圖卷積神經網絡的晶體性質預測和分類方法，其特征在于，包括如下步驟：

S1：獲取晶體的晶體學信息文件和DFT計算數據，并將其分為訓練集、驗證集和測試集；

S2：從晶體學信息文件中，提取晶體特征，將晶體特征輸入神經網絡，獲取到神經網絡輸出；

S3：采用訓練集和驗證集分別對構建好的神經網絡模型進行訓練和驗證，獲取到預測模型和分類模型，通過預測模型完成對于晶體性質的預測；通過分類模型完成對于晶體性質的分類；

所述步驟S1中晶體的結構數據和DFT計算數據的獲取方法為：

A1：通過python軟件中的pymatgen程序包連接Materials?Project數據庫，從中將晶體的id號碼以及物理性質的DFT計算數據導出到.csv文件中；

A2：通過python軟件中的pymatgen程序包連接Materials?Project數據庫，并讀取導出的.csv文件中的晶體id號碼，將對應的晶體學信息文件導出；

A3：存儲每個元素的初始化向量；

所述步驟S2中神經網絡輸出的獲取過程為：

B1：提取cif文件中的原子特征，每個原子與其鄰居原子之間的鍵特征，每個原子的鄰居原子的索引以及晶體映射到原子的索引，作為神經網絡的輸入；

B2：輸入網絡的原子特征經過嵌入層生成新的向量，然后將新的原子特征向量和鍵特征向量以及鄰居原子的索引向量一起輸入到卷積層中；

B3：在卷積層中，將原子看成節點，原子鍵看作邊，先通過索引向量連接節點向量、鄰居節點向量和邊向量組成新的嵌入向量，新向量經過一個全連接層1后先對輸出進行節點歸一化處理；

B4：經過節點歸一化和softplus函數激活后的節點向量h^(t)是M個融入鄰居特征的隱藏向量Z_T∈R^1×F組合成的數組，通過非線性變換對向量進行變換，然后用一個共享的注意向量q∈R^F′×1得到注意值ω_T；

B5：用softmax函數將注意值ω₁,ω₂,…,ω_M標準化，得到最終的權重；

B6：將這M個融入鄰居特征的隱藏向量和它們的注意值組合起來得到最終的節點嵌入H^(t)，進行批量歸一化,歸一化后與輸入卷積層的原節點特征向量相加后經softplus函數激活并輸出；

B7：經過3層卷積層后，生成融合了局部化學環境的新向量，新向量再通過池化層生成代表整個晶體的向量，通過softplus函數激活后連接到全連接層2接著再通過同樣的函數激活然后輸入全連接層3輸出。

2.根據權利要求1所述的一種基于注意力機制和晶體圖卷積神經網絡的晶體性質預測和分類方法，其特征在于，所述步驟B3中節點歸一化處理的公式為：

其中，h^(t)為新生成的節點嵌入向量，μ^(t)是節點h^(t)的平均值，σ^(t)是節點的偏差；

所述步驟B4中的節點向量h^(t)的表達為：

其中，T就是h^(t)的第T行，T∈M，M代表鄰居原子的最大數量，F是原子隱藏特征的數量；

所述步驟B4中注意值ω_T的表達式為：

ω_T＝q^T·tanh(W·(Z_T)^T+b)??????????(3)

其中W∈R^F′×F是權值矩陣，b∈R^F′×1是偏置向量；

所述步驟B5中最終的權重的表達式為：

所述步驟B6中節點嵌入H^(t)的表達式為：

H^(t)＝a₁Z₁+a₂Z₂+…+a_MZ_M????????????(5)。