一种基于图神经网络的异质结界面电荷转移的解决方法

本发明涉及机器学习，尤其是涉及一种基于图神经网络的异质结界面电荷转移的解决方法。

背景技术：

1、人工智能技术正在进入到各个科学和技术领域，如计算机视觉、机器人控制、语音识别和药物研发等。作为人工智能技术核心的机器学习因其强大的数据挖掘和数据分析能力，已被广泛应用于材料发现的整个生命周期。采用机器学习方法预测和探索二维材料，是材料科学领域的研究热点之一。二维材料体系中的范德华异质结，具有独特的电子层间耦合作用，导致能带重构。相比于传统的体材料异质结，二维范德华异质结不依赖于化学键，也不受晶格匹配的限制，具有优异的光电性质，得到了科学家们的广泛关注。近年，众多性能优异的范德华异质结被探索和开发，如二硒化钼/二硒化钨、二硒化钨/二硫化钨和石墨烯/二硫化钼异质结等。其中，由石墨烯(graphene)和过渡金属硫化物(tmdcs)组成的肖特基异质结，其内建电场促进界面电荷的转移和分离，且可以克服tmdcs与传统金属形成的肖特基势垒难以调控的瓶颈，在催化、电子和光电领域具有重要的应用前景。

2、采用机器学习研究范德华异质结q＝f({s})映射关系是材料科学的新兴领域，传统机器学习中的特征工程是预测模型成功的关键，然而特征工程需要人工地找出一些对预测结果具有物理意义的特征，如原子半径、电导率和介电常数等。不难看出采用传统机器学习探索异质结依赖专家经验且难以捕捉隐含的交叉特征，并且泛化能力差。

技术实现思路

1、本发明的目的是提供一种基于图神经网络的异质结界面电荷转移的解决方法，解决了传统机器学习探索异质结依赖专家经验且难以捕捉隐含的交叉特征，并且泛化能力差的问题。

2、为实现上述目的，本发明提供了一种基于图神经网络的异质结界面电荷转移的解决方法，包括以下步骤：

3、s1、特征提取，先对样本集进行分类，再对数据进行预处理，通过基于gats节点嵌入和图嵌入的方法对异质结进行特征提取；

4、s2、网络构建，通过设计gnns算法进行网络构建，将异质结晶体结构图形表示输入到回归模型中以预测界面电荷转移量，将异质结晶体结构图形表示输入到分类模型中以预测界面电荷转移路径；通过dft理论计算分别对界面电荷转移量和转移路径进行计算，得到预期值；

5、s3、模型验证，采用训练好的gnns模型分别在石墨烯/过渡金属硫化物异质结的训练集、验证集和测试集上进行界面电荷转移量和转移路径的计算，结合dft理论的预期值评估训练模型的泛化能力，选择样本进行实验方面的验证。

6、优选的，在步骤s2中，网络构建的具体方法包括以下步骤：

7、s21、设计预测模型，晶体结构特征提取后，特征矩阵作为输入传送到全连接层；分别采用回归模型和分类模型对界面电荷转移量和转移路径进行预测：在全连接层fc1中，采用线性回归算法进行建模训练来预测界面电荷转移量；在全连接层fc2中，采用softmax函数执行二分类任务来判断界面电荷转移路径；

8、通过式(1)建立线性回归预测异质结界面电荷转移量，具体如下：

9、

10、其中，wq为特征矩阵z的权重，bq为偏差，为界面电荷转移量的预测值；

11、通过式(2)的softmax函数建立二分类来判断界面电荷转移路径，具体如下：

12、

13、其中，为界面电荷转移路径的概率值，概率值分别是电荷由graphene转移到tmdcs的概率和电荷由tmdcs转移到graphene的概率；

14、s22、dft计算，通过dft理论计算方法对graphene/tmdcs异质结的训练集、验证集和测试集进行界面电荷转移量和转移路径的计算，通过bader电荷计算获取电荷转移量，通过计算graphene和tmdcs的功函数判断电荷转移路径，确定预期值；

15、s23、算法优化，通过前向传播确定graphene/tmdcs异质结界面电荷转移量和转移路径的预期值和损失函数，分别采用均方差损失函数和交叉熵损失函数度量界面电荷转移量和转移路径预期值和预测值之间的差距；确定损失函数后，通过反向传播计算，基于导数链式法则计算损失函数对各参数的梯度，并根据梯度配合超参数优化，对特征提取和全连接层进行参数的调整，反复迭代gnns的权重，降低损失函数，优化gnns算法的训练速率和识别精度。

16、优选的，在步骤s3中，模型验证的具体方法包括以下步骤：

17、s31、界面电荷转移量验证，采用均方根误差和平均绝对误差对回归模型进行验证；

18、s32、界面电荷转移路径验证，采用曲线下面积评估界面电荷转移路径预测模型的优劣，评估模型的泛化能力；

19、s33、实验验证，选择样本进行进一步的实验验证，采用开尔文探针测量graphene和tmdcs样本的功函数，判断样本电荷转移路径。

20、因此，本发明采用上述结构的一种基于图神经网络的异质结界面电荷转移的解决方法，具备以下有益效果：

21、本发明可以提高预测效率、降低过拟合风险和提升泛化能力。结合异构多任务学习和gnns架构的独特优势，将该方法应用于研究界面电荷转移的微观行为，为预测异质结界面电荷转移量和转移路径提供全新的解决途径。

22、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。

技术特征：

1.一种基于图神经网络的异质结界面电荷转移的解决方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图神经网络的异质结界面电荷转移的解决方法，其特征在于：在步骤s2中，网络构建的具体方法包括以下步骤：

3.根据权利要求1所述的一种基于图神经网络的异质结界面电荷转移的解决方法，其特征在于：在步骤s3中，模型验证的具体方法包括以下步骤：

技术总结
本发明公开了一种基于图神经网络的异质结界面电荷转移的解决方法，属于机器学习技术领域。其方法包括以下步骤：特征提取；网络构建；设计预测模型；DFT计算；算法优化；模型验证；界面电荷转移量验证；界面电荷转移路径验证和实验验证。本发明提供的一种基于图神经网络的异质结界面电荷转移的解决方法，可以提高预测效率、降低过拟合风险和提升泛化能力。结合异构多任务学习和GNNs架构的独特优势，将该方法应用于研究界面电荷转移的微观行为，为预测异质结界面电荷转移量和转移路径提供全新的解决途径。

技术研发人员：张瑞,周瑞,郝国强,叶晓军,李红波
受保护的技术使用者：华东理工大学
技术研发日：
技术公布日：2024/2/1