一种晶体性质预测方法、装置、计算机设备和储存介质

本发明涉及计算化学和物理，特别涉及一种晶体性质预测方法、装置、计算机设备和储存介质。

背景技术：

1、晶体元素通常指的是在晶体结构中组成晶体的元素。晶体是一种物质的结晶形式，其中原子、分子或离子以高度有序的方式排列，形成具有周期性结构的固体。这种有序的结构使得晶体具有独特的物理和化学性质。在晶体中，原子或分子沿特定方向和间距排列，形成晶格。晶格的特定排列方式决定了晶体的晶体结构，而晶格中存在的元素则被称为晶体元素。这些元素的排列方式直接影响了晶体的性质，例如光学、热学和电学性质。每个晶体元素在晶体中占据特定的位置，其相互间的排列方式和连接方式由晶体的结构决定。不同的元素和晶体结构导致了各种不同类型的晶体，包括金属晶体、共价晶体、离子晶体等。对晶体元素进行预测具有多方面的作用和意义，通过对晶体元素的预测，科学家和工程师可以更有效地设计和发现新型材料，了解晶体元素的性质和结构可以帮助预测材料的特定性质，例如电导率、热导率、机械性能等，这对于开发具有特定应用需求的先进材料，如电子器件、光学材料、能源存储材料等，具有重要的意义。可以用于进行高通量材料筛选。这意味着可以快速地评估大量的潜在材料，从而减少实验室试验的时间和成本。这对于快速发现具有特定性能的新型材料具有重要意义。

2、数十年来，第一性原理方法一直被广泛认可为一种有效的模拟材料特性的手段。由于第一性原理方法通常需要近似求解薛定谔方程，其计算复杂度与电子数量的三次方成正比，因此，巨大的计算消耗限制了其用于大尺度体系及复杂物理过程的模拟。例如，成核、缺陷和相变通常受到尺度效应的影响，需要对不同尺度的晶胞进行动力学模拟。另外，固体电解质中的离子扩散过程对电解质材料的电导率有着重要的影响，这在工业应用中具有巨大的研究价值。然而，对于这一过程的模拟可能需要延续至纳秒量级。第一性原理计算方法通常无法涵盖这一时间和空间尺度。上世纪初人们基于物理经验发展了众多经验势或半经验势方法，优点是计算效率高，且符合物理经验。例如被用于研究稀有气体性质的lennard-jones势、esmsv势，用于计算双原子分子振动能级的morse势，用于研究金属或合金体系的eam势等。这些势通常在构建时大多基于物理经验或实验参数，因此构建过程也较为复杂。同时他们通常仅在某类特定材料体系中可以得到较为准确的解析解，即可移植性较弱。机器学习方法做为一种数据驱动模式，可以很好的平衡计算精度与计算效率，满足大尺度体系的模拟的要求。若以第一性原理的计算数据做为驱动构建机器学习模型，便可获得第一性原理的计算精度，并具有较高的计算效率。同时其良好的计算可扩展性也容易在未来的异构超级计算机上设计并行算法，实现材料模拟的大规模并行。机器学习势方法在上20世纪90年代被提出，最早用于研究分子在表面的扩散问题，但由于缺少合适的描述符，因此仅受限于简单低维体系的研究。2007年belher和parrinello提出对称函数(sf)法保持了材料旋转、平移以及置换对称性，将神经网络拓展至高维势能面(hdnnp)。用训练好的机器学习势代替第一性原理力场极大的加速了分子动力学模拟的速度。2010年bartók等人提出基于原子位置光滑重叠(soap)描述符的高斯近似势(gap)，该方法可以通过训练集(先验)计算分子动力学模拟中每一步构型的不确定度，有效的提高的机器学习势原子模拟的可靠性，但是由于在gap的训练过程中需要对整个训练集构建协方差矩阵，因此应用于复杂体系的模拟时可能会导致计算机内存溢出的风险。2016年alexanderv.shapeev等基于矩张量描述符发展了矩张量势(mtp)，mtp势是当时精度最高的线性回归神经网络势模型。2018年zhang等在前人基础上发展并大力推广deepmd-kit势。xie tian等、k.t.schütt等基于晶体或分子的图结构将图神经网络模型(cgcnn,schnet)应用于机器学习势的构建，近一步提高了神经网络模型的精度。simon batzner等和k.t.schütt等又在图神经网络的基础上建立等变神经网络模型nequip等，以直接学习诸如原子受力等矢量性质。虽然图神经网络和等变神经网络的精度较高，但测试表明相对早期belher等发展方法的hdnnp方法存在大规模并行难度较大，计算效率略低等的缺点。

3、现有技术中，申请公布号cn 108536998 a，申请公布日：2018.09.14，公开了一种适用于机器学习势能面构造的物质结构描述方法，该方法构造一系列特征函数作为输入信息，这些特征函数以原子间键长、键角为基本变量，通过组合幂函数、截断函数、球谐函数及三角函数构造原子周围环境，包含成键、配位等结构信息，利用机器学习方法训练物质体系的全局势能面数据，得到机器学习势能面。

4、但是，以上方法获得在进行势能面构造时，直接将特征函数作为输入信息可能导致机器学习模型仅能学习到初级特征无法学习到更具有代表含义的高级特征，导致其对未知数据的预测性能不高。

技术实现思路

1、本发明提供一种晶体性质预测方法、装置、计算机设备和储存介质，可以解决现有技术中对晶体元素性质预测性能不高的技术问题。

2、本发明提供一种晶体元素性质预测方法，包括：

3、设定截断半径，根据截断半径构造用于关注待预测晶体元素中位于截断半径近内的原子的截断函数，根据截断函数获得待预测晶体元素的环境描述符；

4、根据环境描述符的径向和角度，获取待预测晶体元素的中心原子的结构特征：径向矩阵和角度矩阵；

5、通过对径向矩阵和角度矩阵进行嵌入操作以学习待预测晶体元素的泛化能力强的特征表示，将嵌入操作后的结果输入到能够表达环境描述符各个方面的多头自注意力机制中进行晶体元素的性质预测。

6、进一步的，所述截断函数，包括：

7、

8、其中，fc(·)是余弦截断函数，rij是截断半径内中心原子之间的距离，rc是所设定的截断半径。

9、进一步的，所述环境描述符的获取步骤包括：

10、获得中心原子的三体项：

11、

12、

13、其中，是中心原子的三体项，l指角度描述符函数勒让德多项式的阶数，其中lmax是勒让德多项式允许的最大阶数，n是描述符切比雪夫多项式的阶数，namax是描述符中切比雪夫多项式允许的最大阶数，rij是截断半径内中心原子之间的距离，rik是邻居原子之间的距离，pl(cosθijk)是l阶勒让德多项式，θijk是rij和rik之间的夹角；

14、gn(rij)是距离rij的函数，tn是第一类n阶chebyshev多项式。

15、进一步的，所述径向矩阵和角度矩阵的获取步骤包括：

16、根据环境描述符的径向和角度将中心原子的环境描述符分成两部分；

17、根据邻近原子的元素类型将两部分分别组织成大小为和大小为的矩阵，其中，nele是元素种类数目。

18、进一步的，所述对径向矩阵和角度矩阵进行嵌入操作，包括：

19、使用两个具有激活函数的多层全连接神经网络分别对这两个矩阵的行向量组合，形成两个长度分别为和的向量；

20、将这两个向量拼接在一起获得嵌入结果。

21、进一步的，所述将嵌入操作后的结果输入到多头自注意力机制中进行性质预测，包括：

22、采用线性组合层将嵌入结果改变成长度为d维的特征；

23、长度为d的特征被平均分为h个部分，每个部分被送入一个头，每个头的特征维度为dh＝d/h；

24、每个头通过三个矩阵进行投影，构造查询query、键key和值value；

25、查询query、键key通过缩放余弦评分函数计算中心原子对邻域原子的注意力评分：

26、score＝cos(qi，ki)/τ

27、其中，score是中心原子对邻域原子的注意力评分，qi是第i个原子的查询，ki是第i个原子的键，τ是学习的标量；

28、根据注意力评分获得各个头的输出：

29、headi＝score×vi

30、其中，headi是第i个头的输出，vi是第i个原子的值；

31、将每个头的输出进行拼接获得最终输出：

32、multihead(xi)＝concatenate(head1,…,headh)wo

33、其中，concatenate(·)是拼接操作，xi是结构的原子位置，wo是神经网络中的待训练参数。

34、进一步的，所述多头自注意力机制中的连接方式是层归一化和残差连接。

35、一种晶体性质预测装置，包括：

36、环境描述符获取模块，用于设定截断半径，根据截断半径构造用于关注待预测晶体元素中位于截断半径近内的原子的截断函数，根据截断函数获得待预测晶体元素的环境描述符；

37、径向矩阵和角度矩阵获取模块，用于根据环境描述符的径向和角度，获取待预测晶体元素的中心原子的结构特征：径向矩阵和角度矩阵；

38、晶体性质预测模块，用于通过对径向矩阵和角度矩阵进行嵌入操作以学习待预测晶体元素的泛化能力强的特征表示，将嵌入操作后的结果输入到能够表达环境描述符各个方面的多头自注意力机制中进行晶体元素的性质预测。

39、一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的晶体性质预测方法。

40、一种计算机设备，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上述的晶体性质预测方法。

41、本发明提供一种晶体性质预测方法、装置、计算机设备和储存介质，与现有技术相比，其有益效果如下：

42、本发明根据截断函数关注待预测晶体元素中位于截断半径近内的原子，获得了更优的环境描述符，通过获取该环境描述符的径向矩阵和角度矩阵捕捉了晶体元素的结构特征，将径向和角度矩阵进行嵌入操作有助于学习待预测晶体元素的泛化能力强的特征表示，将嵌入结果输入到多头自注意力机制中，多头自注意力机制可以更全面地考虑环境描述符的各个方面，从而更准确地预测晶体元素的性质。