一种材料性能识别方法、系统、设备及存储介质与流程

1.本发明涉及机器学习技术领域，特别是涉及一种材料性能识别方法、系统、设备及存储介质。


背景技术：

2.目前，基于神经网络的深度学习技术得到了飞速发展，在机器视觉、自然语言处理、信息检索等领域取得了巨大的成功。神经网络算法使用了梯度下降、链式法则等基本优化思路，同时也会应用辅助性方法，常见的包括交叉熵损失函数、正则化、drop out、池化等，这些方法一般需要一定的数学推导和分析，因此神经网络的整个应用过程涉及大量的数学计算。
3.然而，神经网络本身理论不明确，在大多数情况下不具备可解释性，仍然是一种黑盒模型，也就是说，目前的神经网络处于应用优先于理论的阶段，这在大多数情况下都适用。然而，对于安全性要求高的金融、军事等行业，以及对理论要求高的医疗、物理、化学、材料等学科，黑盒模型就不可以被贸然使用了，这成为了制约神经网络进一步发展的最大因素。
4.近年来，为了打开神经网络的黑盒，已经有多种方法被提出，但主要是在计算机视觉领域，通过将神经网络节点的激活可视化，达到让人类理解的效果。但是，目前还没有适用于物理、材料等强理论学科的可解释性方法或模型，特别是在纳米材料的性能预测领域，缺乏一种人类可理解的可解释模型。
5.综上所述，如何利用神经网络进行材料性能识别，并且便于理解，是目前本领域技术人员急需解决的技术问题。


技术实现要素：

6.本发明的目的是提供一种材料性能识别方法、系统、设备及存储介质，以利用神经网络进行材料性能识别，并且便于理解。
7.为解决上述技术问题，本发明提供如下技术方案：一种材料性能识别方法，包括：从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断所述特征集合中的各个物理特征是否均被选取出；如果否，则返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。
8.优选的，所述预设神经网络模型的总损失函数表示为；其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。
9.优选的，所述预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。
10.优选的，所述去相关损失项表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。
11.优选的，当从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点的数量为0时，还包括：增大相关性损失系数的取值，并返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作。
12.优选的，所述特征集合中的物理特征包括：材料组分、物质配比、元素价态、材料微观结构、材料尺寸中的至少一项。
13.优选的，所述从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，包括：从训练后的所述预设神经网络模型中选取出与所述目标物理特征的相关性超过预设的相关性阈值的各个节点作为被所述目标物理特征激活的节点。
14.一种材料性能识别系统，包括：特征选取训练模块，用于从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；参数约束模块，用于从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断模块，用于判断所述特征集合中的各个物理特征是否均被选取出；如果否，则触发所述特征选取训练模块；如果是，则触发执行模块，所述执行模块用于确定当前的预设神经网络模型为性
能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。
15.一种材料性能识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述任一项所述的材料性能识别方法的步骤。
16.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的材料性能识别方法的步骤。
17.应用本发明实施例所提供的技术方案，从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练，并且从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束，也就是说，对于目标物理特征，可以让对应的关键节点被训练出，是人类可理解的，即具有较强的可解释性。当特征集合中的各个物理特征均被选取出之后，即对于特征集合中的各个物理特征均经过训练之后，便可以得到具有较强的可解释性的神经网络。之后便可以将训练完成的预设神经网络模型作为得到的性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。由于本技术可以利用性能识别模型进行材料性能识别，并且便于理解，因此有利于后续进行神经网络的性能调整，也有利于神经网络技术的发展进步。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
19.图1为本发明中一种材料性能识别方法的实施流程图；图2为本发明一种具体实施方式中的预设神经网络模型的节点连接结构示意图；图3为本发明中一种材料性能识别系统的结构示意图。
具体实施方式
20.本发明的核心是提供一种材料性能识别方法，可以利用性能识别模型进行材料性能识别，并且便于理解，有利于后续进行神经网络的性能调整，也有利于神经网络技术的发展进步。
21.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.请参考图1，图1为本发明中一种材料性能识别方法的实施流程图，该材料性能识别方法可以包括以下步骤：步骤s101：从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应
的材料性能作为输出量，对预设神经网络模型进行训练。
23.具体的，特征集合中可以包括1个或者多个物理特征，并且，对于特征集合中的任意1个物理特征，本技术的方案都会针对该物理特征进行训练，因此，通常特征集合中会包括多个物理特征以提高训练效果。例如在本发明的一种具体实施方式中，特征集合中的物理特征包括：材料组分、物质配比、元素价态、材料微观结构、材料尺寸中的至少一项。
24.材料组分即材料中的物质构成，物质配比即材料中包括的各物质的比例，元素价态即材料中的各物质的电荷状态，材料微观结构即材料中包括的各物质的结构，可以看出，该种实施方式中对特征集合进行了详细的设置，也就有利于提高后续训练出的神经网络的准确性。当然，在其他实施方式中，特征集合中还可以包括其他的物理特征。
25.从特征集合中进行目标物理特征的选取时，可以按照预设顺序进行逐个选取，直至特征集合中的物理特征均被选取完毕，每次选取出1个物理特征之后，便将其作为当前的目标物理特征以进行训练。
26.预设神经网络模型可以通过特定的联结结构、正则化、归一化等手段进行训练。此外，在选取出目标物理特征之后，针对该目标物理特征的神经网络训练的次数也可以根据需要进行设定，但可以理解的是，任意1次训练的训练样本中均需要包括该目标物理特征。
27.进一步的，在实际应用中，考虑到本技术的方案通常针对的是纳米材料的性能识别，因此，通常可以将损失函数设置为预测值和实际值之间的差异，例如两者之间的均方误差，或者交叉熵等，当然，经过这样的训练之后，可以有效地提高预测的准确性，但是神经网络缺乏可解释性，因此，还需要通过后续的操作来增强神经网络的可解释性。
28.在本发明的一种具体实施方式中，预设神经网络模型的总损失函数表示为；其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。
29.该种实施方式中，考虑到为了增强可解释性，对于每一个选中的具有可解释性的神经元，即神经网络的节点，该神经元对于数据的响应应该具有去相关的特点，因此，总损失函数中设置了去相关损失项。
30.进一步的，为了增强可解释性，例如某一个神经元被含有硅原子的材料激活，则对于不含硅原子的材料，该神经元不应该被激活，即二者应该被该神经元节点尽可能区分开，因此，在本发明的一种具体实施方式中，去相关损失项具体表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的
第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。
31.此外，在上述实施方式中，损失函数中引入了常规的预测损失项，可以保障预测的准确性。在本发明的一种具体实施方式中，为了获得一种性能优越的材料预测模型，预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。
32.步骤s102：从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束。
33.从训练后的预设神经网络模型中选取出被目标物理特征激活的节点的具体规则可以根据实际需要进行设定和调整，例如一种场合中，对于某个目标物理特征，只需要指定数量的若干个神经元节点，则可以从预设神经网络模型中的各个神经元节点中，选取出与该目标物理特征的相关性最高的若干个节点，作为选取出的节点。
34.又如，在本发明的一种具体实施方式中，考虑到对于1个目标物理特征，可以会有1个或者多个节点被激活，即这些节点与该物理特征均具有相关性，因此，可以从训练后的预设神经网络模型中选取出与目标物理特征的相关性超过预设的相关性阈值的各个节点，作为被目标物理特征激活的节点。该种实施方式实施时也较为简单方便。
35.选取出了各个节点之后，便可以对各个节点进行关联参数的约束，例如当采用的是前述例子中的损失函数时，便是对节点进行和的约束。此外需要说明的是，在确定了某一个节点是被当前的目标物理特征激活的节点之后，进行该节点的关联参数的约束时，需要对该节点的各个关联参数进行约束，例如图2为一种具体场合中的预设神经网络模型的节点连接结构示意图，并且例如图2中的第+1列的第1个节点neu1为选取出的节点，则第列的第1个节点与节点neu1之间有相应的关联参数和，同样的，第列的第2个节点与节点neu1之间有相应的关联参数和，即图2中每一个与节点neu1存在连线的节点，节点neu1都有相应的1组关联参数，在执行步骤s103时，对于节点neu1，每1组关联参数均需要进行约束。
36.此外，在进行关联参数的约束时，可以进行参数的固定，也可以设定约束范围，根据实际需要选取即可，均不影响本发明的实施，例如设定权重改变量不得超过5%等等。
37.步骤s103：判断特征集合中的各个物理特征是否均被选取出。如果否，则返回执行步骤s101的操作；如果是，则执行步骤s104。
38.s104：确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。
39.每次执行步骤s101之后可以选取出1个物理特征作为目标物理特征，从而进行针对该目标物理特征的训练，经过多次选取之后，即多次执行步骤s101至步骤s102之后，特征
集合中的各个物理特征均会被选取出，即迭代完毕，便完成了对于预设神经网络模型的训练。
40.完成了预设神经网络模型的训练之后，便得到了性能识别模型，从而可以将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。在进行性能识别时，例如具体可以进行材料的导电性，导热性，硬度等方面的性能识别。
41.在本发明的一种具体实施方式中，当从训练后的预设神经网络模型中选取出被目标物理特征激活的节点的数量为0时，还可以包括：增大相关性损失系数的取值，并返回执行步骤s101的操作。
42.该种实施方式中，考虑到部分场合中，存在无法选出被当前的目标物理特征激活的节点的情况，即从训练后的预设神经网络模型中选取出被目标物理特征激活的节点的数量为0，此时，便可以增大相关性损失系数的取值，进而重新进行训练，即，将当前的目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，重新对预设神经网络模型进行训练。
43.应用本发明实施例所提供的技术方案，从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练，并且从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束，也就是说，对于目标物理特征，可以让对应的关键节点被训练出，是人类可理解的，即具有较强的可解释性。当特征集合中的各个物理特征均被选取出之后，即对于特征集合中的各个物理特征均经过训练之后，便可以得到具有较强的可解释性的神经网络。之后便可以将训练完成的预设神经网络模型作为得到的性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。由于本技术可以利用性能识别模型进行材料性能识别，并且便于理解，因此有利于后续进行神经网络的性能调整，也有利于神经网络技术的发展进步。
44.相应于上面的方法实施例，本发明实施例还提供了一种材料性能识别系统，可与上文相互对应参照。
45.参见图3所示，为本发明中一种材料性能识别系统的结构示意图，包括：特征选取训练模块301，用于从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；参数约束模块302，用于从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断模块303，用于判断特征集合中的各个物理特征是否均被选取出；如果否，则触发特征选取训练模块301；如果是，则触发执行模块304，执行模块用于确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。
46.在本发明的一种具体实施方式中，预设神经网络模型的总损失函数表示为；
其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。
47.在本发明的一种具体实施方式中，预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。
48.在本发明的一种具体实施方式中，去相关损失项表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。
49.在本发明的一种具体实施方式中，当从训练后的预设神经网络模型中选取出被目标物理特征激活的节点的数量为0时，还包括：参数调整模块，用于增大相关性损失系数的取值，并返回执行从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作。
50.在本发明的一种具体实施方式中，特征集合中的物理特征包括：材料组分、物质配比、元素价态、材料微观结构、材料尺寸中的至少一项。
51.在本发明的一种具体实施方式中，参数约束模块302从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，具体包括：从训练后的预设神经网络模型中选取出与目标物理特征的相关性超过预设的相关性阈值的各个节点作为被目标物理特征激活的节点。
52.相应于上面的方法和系统实施例，本发明实施例还提供了一种材料性能识别设备以及一种计算机可读存储介质，可与上文相互对应参照。
53.该材料性能识别设备可以包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序以实现如上述任一实施例中的材料性能识别方法的步骤。
54.该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例中的材料性能识别方法的步骤。
55.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
56.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
57.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。