[发明专利]一种材料性能预测方法及系统

权利要求书

1.一种材料性能预测方法，其特征在于，所述预测方法包括如下步骤：

获取已成型材料样本的材料数据组成样本数据集；所述材料数据包括性能参数和设计参数；

利用元素嵌入模型，对所述设计参数的成分参数进行元素嵌入处理，获得成分特征；利用交叉处理网络，对所述设计参数中除了成分参数之外的非成分参数进行交叉处理，获得非成分特征，获得样本特征数据集；

构造需要预测的材料的每个性能指标的注意力网络；性能参数中所有性能指标的注意力网络组成多头注意力网络；并利用权重矩阵数组对每个性能指标的注意力网络的损失函数进行加权求和，得到所述多头注意力网络的损失函数；

基于所述样本特征数据集采用动态权重的方式训练和测试元素嵌入模型的嵌入向量、交叉处理网络的权重和偏置以及多头注意力网络中的每个注意力网络，直到所述多头注意力网络的损失函数收敛且预测的准确率达到准确率阈值，获得训练后的元素嵌入模型、训练后的交叉处理网络和训练后的每个性能指标的注意力网络；

利用训练后的元素嵌入模型对需要预测的材料的设计参数的成分参数进行特征提取，利用训练后的交叉处理网络对需要预测的材料的设计参数的非成分参数进行特征提取，获得输入特征数据；

将所述输入特征数据分别输入需要预测的材料的性能指标对应的训练后的注意力网络，进行注意力机制处理，获得每个需要预测的材料的性能指标的预测结果；

所述基于所述样本特征数据集采用动态权重的方式训练和测试元素嵌入模型的嵌入向量、交叉处理网络的权重和偏置以及多头注意力网络中的每个注意力网络，直到所述多头注意力网络的损失函数收敛且预测的准确率达到准确率阈值，获得训练后的元素嵌入模型、训练后的交叉处理网络和训练后的每个性能指标的注意力网络，具体包括：

将样本特征数据集中的样本特征数据输入多头注意力网络中的每个注意力网络，利用公式loss＝σ²L(W)计算每个子任务加权后的损失函数值；其中，σ表示子任务的权重，L(W)表示子任务的损失函数，loss表示加权后的损失函数；

将所有子任务的加权后的损失函数值求和，作为多头注意力网络的损失函数值；

判断多头注意力网络的损失函数值是否收敛，得到第二判断结果；

若所述第二判断结果表示否，则更新元素嵌入模型的嵌入向量、交叉处理网络的权重和偏置以及多头注意力网络中的每个注意力网络，并利用梯度更新方法修正权重矩阵数组中每个子任务的权重，返回步骤“将样本特征数据集中的样本特征数据输入多头注意力网络中的每个注意力网络，利用公式loss＝σ²L(W)计算每个子任务加权后的损失函数值”；

若所述第二判断结果表示是，则输出更新后的元素嵌入模型的嵌入向量、交叉处理网络的权重和偏置以及多头注意力网络中的每个注意力网络，得到训练后的元素嵌入模型、训练后的交叉处理网络和训练后的每个性能指标的注意力网络。

2.根据权利要求1所述的材料性能预测方法，其特征在于，所述利用训练后的元素嵌入模型对需要预测的材料的设计参数的成分参数进行特征提取，具体包括：

利用需要预测的设计参数的成分参数的每个成分的含量乘以嵌入向量，获得每个成分的嵌入表达向量；

将每个成分的嵌入表达向量进行拼接，获得预测的材料的设计参数的成分参数的成分特征。