分子碰撞截面的预测方法、装置、设备及存储介质与流程

1.本技术涉及分子碰撞技术领域，尤其涉及一种分子碰撞截面的预测方法、装置、设备及存储介质。


背景技术：

2.电子与中性分子的碰撞导致该电子被吸附在中性分子，即为吸附截面。吸附截面属于碰撞截面，碰撞截面主要包括电离截面、吸附截面、激发截面、弹性截面和动量转移截面，这些截面均可以通过电子束实验或量子化学理论计算得到，但由于实验和计算都存在误差，导致这些碰撞截面组合在一起计算得到的电子群参数与实测值之间存在较大的差别。
3.目前，对于某一种分子，相关技术利用汇总的截面集求解boltzmann方程，以计算该分子的电子群参数，并将电子群参数与实验测量值进行比较；再通过人为反复修正截面集，以不断提高计算参数与实验数据的一致性，最终得到一套完整自洽的碰撞截面集，但是该迭代修正过程十分繁琐和效率低，且严重依赖于专家经验。


技术实现要素：

4.本技术提供了一种分子碰撞截面的预测方法、装置、设备及存储介质，以解决碰撞截面集的修正过程效率低和依赖专家经验的技术问题。
5.为了解决上述技术问题，第一方面，本技术提供了一种分子碰撞截面的预测方法，包括：
6.基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
7.利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
8.利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
9.利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
10.在一些实现方式中，所述基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，包括：
11.对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
12.对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
13.在一些实现方式中，所述对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，包括：
14.利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
[0015][0016]
其中，σ
new
(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σj表示第j个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j
个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
[0017]
在一些实现方式中，所述新的碰撞截面对应的能量的计算函数为：
[0018][0019]
其中，s表示区间[-1,1]内的随机数，∈
min
表示预设的能级最小值，∈
max
表示预设的能级最大值。
[0020]
在一些实现方式中，所述利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，包括：
[0021]
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
[0022]
在一些实现方式中，所述预设神经网络为全连接神经网络，所述利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，包括：
[0023]
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
[0024]
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
[0025]
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
[0026]
在一些实现方式中，所述损失函数为：
[0027][0028]
其中，loss为损失函数的输出值，n表示数据量，yi表示作为训练标签的所述碰撞截面数据，σ(xi)表示全连接神经网络的输出。
[0029]
第二方面，本技术还提供一种分子碰撞截面的预测装置，包括：
[0030]
生成模块，用于基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
[0031]
计算模块，用于利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
[0032]
训练模块，用于利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
[0033]
预测模块，用于利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
[0034]
第三方面，本技术还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的分子碰撞截面的预测方法。
[0035]
第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的分子碰撞截面的预测方法。
[0036]
与现有技术相比，本技术至少具备以下有益效果：
[0037]
通过基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集，
并利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数，以实现利用已有气体的碰撞截面数据分析电子群参数特征；再利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型，以及利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据，从而利用机器学习方式建立准确的反演模型，以加速气体完整碰撞截面集的获取和降低人为修正的主观性，有效解决现有截面集修正过程效率低和依赖专家经验的问题。
附图说明
[0038]
图1为本技术实施例示出的分子碰撞截面的预测方法的流程示意图；
[0039]
图2为本技术实施例示出的新的碰撞截面数据的示意图；
[0040]
图3为本技术实施例示出的全连接神经网络的结构示意图；
[0041]
图4为本技术实施例示出的四氢化硅气体的动量转移截面示意图；
[0042]
图5为本技术实施例示出的分子碰撞截面的预测装置的结构示意图；
[0043]
图6为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
[0044]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0045]
请参照图1，图1为本技术实施例提供的一种分子碰撞截面的预测方法的流程示意图。本技术实施例的分子碰撞截面的预测方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的分子碰撞截面的预测方法包括步骤s101至步骤s104，详述如下：
[0046]
步骤s101，基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集。
[0047]
在本步骤中，根据lxcat数据库中已有气体的电子－分子碰撞截面数据，合成出大量碰撞截面数据，数据量不少于104组。
[0048]
在一些实施例中，所述步骤s101，包括：
[0049]
对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
[0050]
对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
[0051]
在本实施例中，神经网络需要大量的截面数据进行训练，以lxcat已有的碰撞截面数据难以支撑神经网络完成训练，所以本技术生成新的碰撞截面数据。其中，为了避免生成无意义的截面数据，以随机生成的随机数r∈(0,1)对任意两种气体的碰撞截面数据进行加权几何平均值处理。
[0052]
可选地，加权几何平均处理过程，包括：
[0053]
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
[0054]
[0055]
其中，σ
new
(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σh表示第h个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
[0056]
在本可选实施例中，该生成方式可以生成物理上存在意义的电子－分子碰撞截面数据并保留截面与能量之间的相关性，从而保证用于模型训练的碰撞截面数据的有效性，进而保证模型性能，
[0057]
可选地，所述新的碰撞截面对应的能量的计算函数为：
[0058][0059]
其中，s表示区间[-1,1]内的随机数，∈
mun
表示预设的能级最小值，∈
max
表示预设的能级最大值。
[0060]
示例性地，本实施例使用12种气体，其中分离出1种作为验证气体后，用其余11种气体按照排列组合的方式生成55类新的碰撞截面数据，每类截面数据生成1.6
×
103组碰撞截面集，总计8.8
×
104组碰撞截面集，新的碰撞截面数据(即合成截面数据)如图2所示，其中cross section为碰撞截面，以σ(∈)表示，单位为m2；energy为碰撞截面能量，以∈表示，单位为ev。
[0061]
步骤s102，利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数。
[0062]
在本步骤中，使用bolsig+软件作为电子群参数计算工具，计算出每组碰撞截面集对应的电子群参数。
[0063]
在一些实施例中，所述步骤s102，包括：
[0064]
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
[0065]
在本实施例中，bolsig+软件设置温度为t＝300k，对(10
－3
td，103td)能范围内15个等对数间距的约化场强进行求解，得到电子群参数，电子群参数包括有效电离速率系数、电子漂移速度和纵向电子扩散系数。其中，若需要极高的电场，bolsig+可以自动将截面外推到能量范围。
[0066]
步骤s103，利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型。
[0067]
在本步骤中，为了在给定电子碰撞截面输运系数的情况下获得碰撞截面数据，预设神经网络采用全连接神经网络。可选地，最简单的全连接神经网络是由输入向量x到输出向量y的仿射变换，如下所示：
[0068][0069]
其中，矩阵w和向量b为神经网络参数。
[0070]
在一些实施例中，所述步骤s103，包括：
[0071]
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
[0072]
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过
程的损失函数；
[0073]
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
[0074]
在本实施例中，示例性地，全连接神经网络以一个输入层、一个输出层以及三个隐藏层为例，表示为：
[0075][0076]
其中，y为输出，x为输入，swish为激活函数：
[0077][0078]
本实施例所使用的神经网络输入层包含25
×
3组电子群参数，共计75个输入，选用15个离散能量下的碰撞截面作为输出。输入层包括有效电离速率系数、电子漂移速度和归一化纵向电子扩散系数，分别选取15个约化场强下的值。这三类电子群参数的相关性较低，因此具有较好的代表性，可以较好地包含电子群参数的所有特征，并将电子群参数送入全连接神经网络进行分析，该神经网络的输入和输出如下所示：
[0079][0080]
其中w为电子漂移速度，n0d
l
为归一化纵向电子扩散系数，α为有效电离速率系数，en/n0约化场强，σ为碰撞截面值，∈n为电子能量。
[0081]
本例神经网络模型的隐藏层层数为3层，三层隐藏层最终选择均使用60个神经元，最终全连接神经网络的结构如图3所示。
[0082]
进一步地，不同输入量有不同的量纲和不同的量级，过大的量级会分到更高的权重使神经网络非常的不稳定，并且使求解器寻找最速降线也变得更加困难，这会对神经网络学习趋势的能力造成极大的阻碍。归一化后能使不同量级的输入分得几乎相等的权重。归一化过程为：
[0083]
y＝lg(x)；
[0084][0085]
其中x为归一化前的原始数据，z为归一化之后的数据，y、y
min
和y
max
为中间量。当x＝0时取一个合适的等价无穷小代替。
[0086]
可选地，本实施例以平均绝对误差作为损失函数：
[0087][0088]
其中，loss为损失函数的输出值，n表示数据量；yi表示作为训练标签的所述碰撞截面数据，在此作为标准值；σ(xi)表示全连接神经网络的输出，在此作为预测值。
[0089]
可选地，在搭建神经网络时，将偏置设置为0，权重为均匀分布的随机数矩阵。使用adam优化方式，学习率取为1
×
10
－3
，指数衰减率分别为β1＝0.9,β2＝0.999。
[0090]
步骤s104，利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
[0091]
在本步骤中，训练好神经网络后，选用四氢化硅sih4作为验证气体，其动量转移截面结果如图4所示，其中，cross section为碰撞截面，以σ(∈)表示，单位为m2；energy为碰撞截面能量，以∈表示，单位为ev；mtcs是数据库中的参考结果，predict是神经网络的预测结果。如图4可知，当电子能量大于0.8ev时，预测效果更好。
[0092]
为了执行上述方法实施例对应的分子碰撞截面的预测方法，以实现相应的功能和技术效果。参见图5，图5示出了本技术实施例提供的一种分子碰撞截面的预测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的分子碰撞截面的预测装置，包括：
[0093]
生成模块501，用于基于预设数据库中已有的多种气体的碰撞截面数据，生成多组碰撞截面集；
[0094]
计算模块502，用于利用预设电子群参数计算工具，计算每组所述碰撞截面集的电子群参数；
[0095]
训练模块503，用于利用所述电子群参数，对预设神经网络进行训练，直至所述预设神经网络的损失函数达到预设收敛条件，得到碰撞截面预测模型；
[0096]
预测模块504，用于利用所述碰撞截面预测模型，预测目标气体的目标碰撞截面数据。
[0097]
在一些实施例中，所述生成模块501，包括：
[0098]
生成单元，用于对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据；
[0099]
分类单元，用于对所述新的碰撞截面数据进行分类，得到多组所述碰撞截面集。
[0100]
在一些实施例中，所述生成单元，用于：
[0101]
利用预设加权几何平均函数，根据目标随机数，对所述碰撞截面数据进行加权几何平均处理，生成新的碰撞截面数据，所述预设加权几何平均函数为：
[0102][0103]
其中，σ
new
(∈)为新的碰撞截面数据，r表示区间(0,1)内的随机数，σi表示第i个碰撞截面数据，σj表示第j个碰撞截面数据，∈i表示第i个碰撞截面对应的阈值能量，∈j为第j个碰撞截面对应的阈值能量，∈为新的碰撞截面对应的能量。
[0104]
在一些实施例中，所述新的碰撞截面对应的能量的计算函数为：
[0105][0106]
其中，s表示区间[-1,1]内的随机数，∈
min
表示预设的能级最小值，∈
max
表示预设的能级最大值。
[0107]
在一些实施例中，所述计算模块502，用于：
[0108]
利用预设电子群参数计算工具，以预设温度，对所述碰撞截面集的预设能量范围内多个等对数间距的约化场强进行求解，得到所述电子群参数。
[0109]
在一些实施例中，所述预设神经网络为全连接神经网络，所述训练模块503，用于：
[0110]
对所述电子群参数进行归一化，得到目标电子群参数，所述电子群参数包括有效电离速率系数、电子漂移速度和电子纵向扩散系数；
[0111]
以所述目标电子群参数作为所述全连接神经网络的输入，以所述碰撞截面数据作为所述全连接神经网络的训练标签，对所述全连接神经网络进行训练，并计算每次训练过程的损失函数；
[0112]
若所述损失函数小于预设值，则判定所述全连接神经网络训练完成，得到所述碰撞截面预测模型。
[0113]
在一些实施例中，所述损失函数为：
[0114][0115]
其中，loss为损失函数的输出值，n表示数据量，yi表示作为训练标签的所述碰撞截面数据，σ(xi)表示全连接神经网络的输出。
[0116]
上述的分子碰撞截面的预测装置可实施上述方法实施例的分子碰撞截面的预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0117]
图6为本技术一实施例提供的计算机设备的结构示意图。如图6所示，该实施例的计算机设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意方法实施例中的步骤。
[0118]
所述计算机设备6可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器60、存储器61。本领域技术人员可以理解，图6仅仅是计算机设备6的举例，并不构成对计算机设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0119]
所称处理器60可以是中央处理单元(central processing unit，cpu)，该处理器60还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0120]
所述存储器61在一些实施例中可以是所述计算机设备6的内部存储单元，例如计算机设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述计算机设备6的外部存储设备，例如所述计算机设备6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括外部存储设备。所述存储器61用于
存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0121]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读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任意方法实施例中的步骤。
[0122]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0123]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0124]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。