[发明专利]一种材料性能预测方法及系统

说明书

本发明公开了一种材料性能预测方法及系统。本发明的方法利用注意力机制实现基于深度学习的方式对材料性能进行预测，克服传统材料研究方法需要结合专业的领域知识和历史经验，才能对特定的材料性能做出预测的技术缺陷。而且本发明通过构造多头注意力网络，采用动态权重的方式利用多头注意力网络对每个需要预测的性能指标的注意力网络进行训练，克服了在多任务学习中，任务间的损失函数权重容易分配不当，导致训练无法快速收敛的技术缺陷，提高了训练的速度。

技术领域

本发明涉及新材料设计技术领域，特别涉及一种材料性能预测方法及系统。

背景技术

在材料科学研究中经常需要对特定的材料进行性能预测(如耐腐蚀性、疲劳强度等)，用来评估该材料的实际应用价值。传统材料研究方法需要结合专业的领域知识和历史经验，才能对特定的材料性能做出预测。并且，受限于目前材料及相关学科的发展，很多材料内部机理还没有完全理解。数据科学的方法，尤其是深度学习方法是新材料研发的有利补充。如何实现基于深度学习的方式对材料性能进行预测成为一个亟待解决的技术问题。

发明内容

本发明的目的是提供一种材料性能预测方法及系统，以实现基于深度学习的方式对材料性能进行预测，克服传统材料研究方法需要结合专业的领域知识和历史经验，才能对特定的材料性能做出预测的技术缺陷。

为实现上述目的，本发明提供了如下方案：

一种材料性能预测方法，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；设计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。

可选的，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；