一种基于机器学习预测材料结构对吸附物吸附性能的方法与流程

本说明书一个或多个实施例涉及数据处理技术，尤其涉及一种基于机器学习预测材料结构对吸附物吸附性能的方法。

背景技术：

1、一般地，开发新材料往往需要大量实验来研究它们的结构和性能，这个过程需要花费大量材料、时间和精力，速度慢，效率低，成本高。在新材料的研究过程中，新材料的吸附能可以通过传统实验方法测试计算或查询文献的方式获取，整个过程较为繁琐与麻烦。而且，在得到吸附能后，如果对新材料的结构进行了调整，则需要重新通过实验方法测试计算验证才能再次得到吸附能，拉长了新材料的研发周期，逐渐无法满足对新材料的研发速度要求。

技术实现思路

1、为了解决上述问题，本说明书一个或多个实施例描述了一种基于机器学习预测材料结构对吸附物吸附性能的方法。

2、根据第一方面，提供了一种基于机器学习预测材料结构对吸附物吸附性能的方法，所述方法包括：

3、在建模环境中构建待预测材料的本征结构和待吸附物的吸附物结构，并基于第一性原理方法计算所述本征结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的第一吸附能数据；

4、分别将所述本征结构的至少一个原子替换为其他元素原子，得到各调整结构，并基于所述第一性原理方法分别计算各所述调整结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的各第二吸附能数据；

5、基于所述第一吸附能数据和各第二吸附能数据构建样品数据集，基于所述样品数据集训练机器学习模型；

6、接收预测指令，确定所述预测指令对应的吸附性能指标，将所述吸附性能指标输入至训练好的所述机器学习模型，得到所述待预测材料对应的吸附能。

7、优选的，所述在建模环境中构建待预测材料的本征结构之后，还包括：

8、基于第一性原理方法计算对所述本征结构进行结构优化，得到测试结构，所述测试结构为体系能量最低、结构最稳定的结构；

9、所述基于第一性原理方法计算所述本征结构吸附所述吸附物结构的能量，包括：

10、基于第一性原理方法计算所述测试结构吸附所述吸附物结构的能量。

11、优选的，所述基于第一性原理方法计算所述本征结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的第一吸附能数据，包括：

12、基于第一性原理方法调整所述吸附物结构的吸附参数，计算所述本征结构吸附所述吸附物结构的能量，所述吸附参数包括吸附间距、原子构型和吸附位点；

13、确定不同吸附参数对应吸附结构下的第三吸附能数据，根据各所述第三吸附能数据确定最稳定吸附结构下的第一吸附能数据。

14、优选的，所述基于所述第一吸附能数据和各第二吸附能数据构建样品数据集之前，还包括：

15、获取不同原子的特征数据，所述特征数据包括原子系数、原子半径、共价半径、第一电离能、电负性、最外层电子数、电子构型、周期序数和族序数；

16、分别计算各所述特征数据与吸附能数据的皮尔逊相关性系数，确定所述相关性系数高于预设系数的目标特征数据；

17、构建吸附能数据与目标特征数据之间的映射关系，并标注每个所述第二吸附能数据的目标特征数据。

18、优选的，所述基于所述样品数据集训练机器学习模型，包括：

19、基于所述样品数据集分别训练不同算法类型的机器学习模型，对训练好的各所述机器学习模型进行k折交叉验证，确定预测准确性最高的目标机器学习模型。

20、优选的，所述方法还包括：

21、针对不同所述算法类型的机器学习模型，训练至少预设次数，将各训练结果的平均值作为所述机器学习模型训练后的最终模型的评价指标。

22、优选的，所述方法还包括：

23、基于吸附能数据由高到低的顺序对各所述可选结构进行排序，并展示各所述可选结构。

24、根据第二方面，提供了一种基于机器学习预测材料结构对吸附物吸附性能的装置，所述装置包括：

25、构建模块，用于在建模环境中构建待预测材料的本征结构和待吸附物的吸附物结构，并基于第一性原理方法计算所述本征结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的第一吸附能数据；

26、替换模块，用于分别将所述本征结构的至少一个原子替换为其他元素原子，得到各调整结构，并基于所述第一性原理方法分别计算各所述调整结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的各第二吸附能数据；

27、训练模块，用于基于所述第一吸附能数据和各第二吸附能数据构建样品数据集，基于所述样品数据集训练机器学习模型；

28、预测模块，用于接收预测指令，确定所述预测指令对应的吸附性能指标，将所述吸附性能指标输入至训练好的所述机器学习模型，得到所述待预测材料对应的吸附能。

29、根据第三方面，提供了一种电子设备，包括处理器以及存储器；

30、所述处理器与所述存储器相连；

31、所述存储器，用于存储可执行程序代码；

32、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。

33、根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如第一方面或第一方面的任意一种可能的实现方式提供的方法。

34、本说明书实施例提供的方法及装置，能够通过第一性原理方法和机器学习结合的方式，在建模环境中通过第一性原理计算确定最稳定吸附结构的吸附能数据，以此构建样品数据集来训练机器学习模型，并根据模型快速计算出相应的吸附能。同时，即使待预测材料的结构发生变化，也能够通过训练好的模型快速计算出变化后的吸附能，不仅加速了对待预测材料具有优异吸附性能的结构筛选的过程，还减少了筛选花费的时间，提高了筛选效率，满足了新材料的研发速度要求。

技术特征：

1.一种基于机器学习预测材料结构对吸附物吸附性能的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述在建模环境中构建待预测材料的本征结构之后，还包括：

3.根据权利要求1所述的方法，其特征在于，所述基于第一性原理方法计算所述本征结构吸附所述吸附物结构的能量，得到最稳定吸附结构下的第一吸附能数据，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一吸附能数据和各第二吸附能数据构建样品数据集之前，还包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述样品数据集训练机器学习模型，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种基于机器学习预测材料结构对吸附物吸附性能的装置，其特征在于，所述装置包括：

9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如权利要求1-7任一项所述方法的步骤。

技术总结本说明书实施例公开了一种基于机器学习预测材料结构对吸附物吸附性能的方法。该方法包括构建待预测材料的本征结构和待吸附物的吸附物结构，确定最稳定吸附结构下的第一吸附能数据；将至少一个原子替换为其他元素原子，确定最稳定吸附结构下的各第二吸附能数据；基于第一吸附能数据和各第二吸附能数据构建样品数据集，训练机器学习模型；接收预测指令，将吸附性能指标输入至训练好的机器学习模型，得到各可选结构。本说明书实施例能够在建模环境中通过第一性原理计算确定最稳定吸附结构的吸附能数据，并以此构建样品数据集来训练机器学习模型，加速了对待预测材料具有优异吸附性能的结构筛选的过程，减少了筛选花费的时间，提高了筛选效率。技术研发人员：吴旻,陈涛,陈锦枫,阮王阳,邓平飞,魏苏皖受保护的技术使用者：浙江天堃生态环境科技有限公司技术研发日：技术公布日：2024/9/17