一种基于图神经网络的材料性质预测方法、系统及设备

本发明涉及材料预测和分析，更具体的说是涉及一种基于图神经网络的材料性质预测方法、系统及设备。

背景技术：

1、目前，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。准确的材料结构描述是开展材料性质预测的关键因素之一。在材料结构表征方面，人为经验的特征集、基于原子环境的多项式展开等方式都已无法满足材料性能预测精度的要求，图神经网络作为一种可直观提取结构的特征的方式被逐渐应用于晶体结构的表征中，如晶体图卷积神经网络框架crystalgraph convolutionalneuralnetworks(cgcnn)的使用。然而，简单的包含点和边信息的图表示无法实现材料结构全局信息的准确表征，从而影响预测材料性质的准确性。

2、针对相关技术中的问题，目前尚未提出有效的解决方案，如申请号202110705753.2公开的一种基于数据驱动的材料性质预测方法及系统，该方法仅是涉及到了初始特征及特征的组合，而这些组合特征并不能完全准确表征材料结构，尤其是缺少了晶体的键角信息的表征，从而影响预测材料性质的准确性。

3、因此，如何提供一种基于图神经网络能够对材料结构进行全局信息准确表征的材料性质预测方法、系统及设备是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于图神经网络的材料性质预测方法、系统及设备，可通过原子局域环境实现全局信息表征，其中，采用图神经网络表示材料图结构信息，结构表征中除了包含了节点、边信息以外，还包含了边更新和三体作用的角信息，通过三层卷积推延至整个结构的表征，获取材料结构的准确表征，最终提高模型的预测精度。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于图神经网络的材料性质预测方法，包括以下步骤：

4、获取材料的晶体结构；

5、对所述晶体结构进行编码初始化及标准化处理，得到对应原子的图网络；

6、构建结构特征预测模型，并确定结构特征预测模型的网络超参信息，及设置结构特征预测模型的网络评估算法、激活函数、优化器；

7、基于所述网络超参信息及所述网络评估算法、所述激活函数、所述优化器对所述结构特征预测模型进行训练与优化处理；

8、将待预测材料数据输入至进行训练与优化处理后的结构特征预测模型，输出材料性质预测结果。

9、优选的，所述对所述晶体结构进行编码初始化及标准化处理，得到初始数据集，包括：

10、对所需的原子属性根据维数进行独热编码，

11、其中，对于连续点值，根据预设范围划分类别并分别对特征编码；

12、对于离散点值，直接根据类别进行编码；

13、对于边向量根据原子间距离进行固定维度编码；

14、分别得到多类原子初始特征向量及多类边特征初始向量；

15、组合成对应原子的图网络。

16、优选的，所述构建的结构特征预测模型，包括：

17、依次连接的l1隐藏层、第一图卷积层、第二图卷积层、第三图卷积层、池化层、l2隐藏层；

18、其中，所述l1隐藏层将所述图网络的所有初始特征向量映射成适合所述第一图卷积层、所述第二图卷积层、所述第三图卷积层的输入；

19、通过所述第一图卷积层、所述第二图卷积层、所述第三图卷积层提取点值和边向量的信息，得到表征晶体结构的图卷积层模型；

20、经过所述第一图卷积层、所述第二图卷积层、所述第三图卷积层后，对所述图卷积层模型进行池化，经过池化层将不同原子代表的局部环境合成一个代表整体晶体环境的图向量；

21、利用归一化的晶体向量，基于l2隐藏层进行材料属性预测建模，并输出预测属性值。

22、优选的，所述通过所述第一图卷积层、所述第二图卷积层、所述第三图卷积层提取点值和边向量的信息通过更新实现，具体包括：

23、节点向量更新，具体公式为：

24、

25、式中，w1和w2为训练权重，b1为和b2为偏置，k代表连接两个原子的边，σ为一个标准门控机制，用来学习原子间相互作用的参数，z为原子特征向量与所有相邻节点特征向量以及连接边的特征向量叠加，⊙代表矩阵按元素相乘。边向量嵌入更新，具体公式为：

26、

27、式中，参数定义同上

28、连接原子(i,j,l)的节点向量和边向量连接起来形成：

29、

30、式中，v为点的特征向量，u为边的特征向量，代表向量直接相加。

31、优选的，所述结构特征预测模型的网络超参信息，包括：单次训练样本数量、学习率、训练轮数、权值衰减、图卷积层数量、材料的输入特征的维度、截断半径、最大邻居节点数量。

32、优选的，所述网络评估算法为平均绝对误差mae，所述激活函数为tanh函数，所述优化器为adamw优化器。

33、优选的，所述基于所述网络超参信息对所述结构特征预测模型进行训练与优化处理，具体包括：

34、基于设置的网络超参信息，产生网络模型并进行训练，采用设置的评估算法，通过不断调整超参信息，获取最优训练模型对应的参数，通过参数产生对应的结构特征向量，利用产生的结构特征向量对目标性质进行预测。

35、一种基于图神经网络的材料性质预测系统，包括：

36、获取模块：获取材料的晶体结构；

37、预处理模块，与所述获取模块连接，用于对所述晶体结构进行编码初始化及标准化处理，得到对应原子的图网络；

38、构建模块，与所述预处理模块连接，用于构建结构特征预测模型，并确定结构特征预测模型的网络超参信息，及设置结构特征预测模型的网络评估算法、激活函数、优化器；

39、训练及优化模块，与所述构建模块连接，用于基于所述网络超参信息及所述网络评估算法、所述激活函数、所述优化器对所述结构特征预测模型进行训练与优化处理；

40、预测模块，与所述训练及优化模块连接，用于将待预测化学反应数据输入至进行训练与优化处理后的结构特征预测模型，输出材料结构表征结果。

41、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的基于图神经网络的材料性质预测方法。

42、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于图神经网络的材料性质预测方法、系统及设备，实现了基于图神经网络的结构提取与性能预测整体流程。包括材料数据库的选择和构建、对每个数据晶体中原子与键的特征初始化、晶体结构信息的图卷积层相互作用、对所有特征池化得到新的特征向量并预测晶体属性值，与真实属性值对比误差并反向传播以优化模型参数，最终获得高精度的材料属性预测模型。

43、本发明通过引入晶体结构表征中的三体之间键角的作用向量，能更加精确地捕获隐含的结构信息，以获得更加准确的晶体结构表征，从而获取更加准确的属性预测值。本发明适用于所有材料体系的描述，解决了材料中晶体结构与小分子结构表征不统一的困难。