[發明專利]一種基于多模態學習的材料性能預測方法及系統

有效

• 申請號: 202110807296.8
• 申請日: 2021-07-16
• 公開（公告）號: CN113362915B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 錢權;曾毅;韓越興;張瑞
• 申請（專利權）人: 上海大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/70;G06N3/04;G06N3/08
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 馮靜

本發明公開了一種基于多模態學習的材料性能預測方法，包括：建立訓練樣本集；采用模態映射方法，將材料樣本的成分參數進行模態變換，獲得材料樣本的灰度圖像；進行多模態模型訓練；采用模態映射方法，將待測材料的成分參數進行模態變換，獲得待測材料的灰度圖像；將待測材料的灰度圖像和成分參數輸入訓練后的多模態模型，獲得待測材料的性能參數預測結果。本發明使用了成分特征灰度圖映射方案將數值模態的特征轉換為灰度圖像，大大增強了成分特征的表達能力，模態映射完成后的灰度圖像和非成分參數組成多模態數據，使用多模態模型進行材料性能預測，大大提高了材料性能預測的準確性。

技術領域

本發明涉及材料性能研究技術領域，特別涉及一種基于多模態學習的材料性能預測方法及系統。

背景技術

新材料研發中，識別成分-工藝-結構-性能之間的關系是新材料發現的基礎。然而，由于材料的多樣性和復雜性，全面理解和發掘材料的成分-工藝-結構-性能關系是非常具有挑戰性的。材料基因組計劃的目標是綜合運用高通量實驗、高通量計算以及材料數據，實現新材料研發的時間和費用成本雙減半。數據驅動的新材料研發是材料基因組計劃的核心內容。涉及使用大數據、機器學習等先進人工智能技術加快新材料研發。材料大數據和人工智能為數據驅動的新材料發現提供了理論和方法基礎，是材料研發的新范式。而現有的人工智能方式采用的數據結構比較單一，造成預測結果不夠準確。

發明內容

本發明的目的是提供一種基于多模態學習的材料性能預測方法及系統，以提高材料性能預測的準確性。

為實現上述目的，本發明提供了如下方案：

一種基于多模態學習的材料性能預測方法，所述預測方法包括如下步驟：

建立訓練樣本集；所述訓練樣本集中包括不同材料樣本的成分參數、非成分參數和性能參數，所述非成分參數包括工藝參數、結構參數；

采用模態映射方法，將材料樣本的成分參數進行模態變換，獲得材料樣本的灰度圖像；

將材料樣本的灰度圖像和非成分參數作為多模態模型的輸入，將材料樣本的性能參數作為多模態模型的輸出，對多模態模型進行訓練，獲得訓練后的多模態模型；

采用模態映射方法，將待測材料的成分參數進行模態變換，獲得待測材料的灰度圖像；

將待測材料的灰度圖像和成分參數輸入訓練后的多模態模型，獲得待測材料的性能參數預測結果。

可選的，所述模態映射方法的實現步驟為：

對成分參數進行成分特征處理，獲得成分參數的多個元素級特征；

對成分參數的多個元素級特征進行統計分析，獲得成分參數的每個元素級特征的多個統計分析特征；

分別將成分參數的每個元素級特征的每個統計分析特征映射到區間[0，255]，構建包含成分參數的每個元素級特征的每個統計分析特征的映射值的灰度圖像。

可選的，所述多模態模型包括多個第一卷積層、第一注意力層、多個第一線性層、第二卷積層、第二注意力層和第二線性層；

多個所述第一卷積層依次連接，位于最后端的第一卷積層的輸出端與第二卷積層的第一輸入端連接；

多個所述第一線性層依次連接，位于最前端的第一線性層的輸入端與所述第一注意力層的輸出端連接，位于最后端的第一線性層的輸出端與所述第二卷積層的第二輸入端連接；

所述第二卷積層的輸出端與所述第二注意力層的輸入端連接，所述第二注意力層的輸出端與第二線性層的輸入端連接；

位于最前端的第一卷積層的輸入端用于輸入灰度圖像，第一注意力層的輸入端用于輸入非成分參數；

第二線性層的輸出端用于輸出性能參數預測結果。