[发明专利]一种基于深度迁移学习预测卟啉MOF带隙的方法

权利要求书

1.一种基于深度迁移学习预测卟啉MOF带隙的方法，其特征在于，包括如下步骤：

1)从剑桥晶体结构数据库中收集多个卟啉基MOF材料，对多个卟啉基MOF材料的原始晶体学信息文件进行结构优化并计算出对应的带隙，获得多个卟啉基MOF材料对应的优化晶体学信息文件以及带隙，由多个卟啉基MOF材料的优化晶体学信息文件和对应的带隙构成初始卟啉MOF数据集；

2)从QMOF数据库中筛选出多个与卟啉MOF相似度高的MOF样本并组成扩充MOF数据集，扩充MOF数据集与初始卟啉MOF数据集进行融合，获得融合卟啉MOF数据集，将筛选掉扩充MOF数据集的QMOF数据库记为筛选后的QMOF数据库；

3)利用筛选后的QMOF数据库对深度学习模型进行预训练，得到预训练模型；

4)根据融合卟啉MOF数据集，利用迁移学习方法对预训练模型进行微调，获得卟啉MOF带隙预测模型；

5)将待预测的卟啉基MOF材料对应的优化晶体学信息文件输入卟啉MOF带隙预测模型中，获得待预测的卟啉基MOF材料的带隙。

2.根据权利要求1所述的一种基于深度迁移学习预测卟啉MOF带隙的方法，其特征在于，所述1)中，多次改变各个卟啉基MOF材料的卟啉中心金属，获得对应的多个新的卟啉基MOF材料，由多个新的卟啉基MOF材料的优化晶体学信息文件和对应的带隙与收集的多个卟啉基MOF材料的优化晶体学信息文件和对应的带隙一起构成初始卟啉MOF数据集。

3.根据权利要求1所述的一种基于深度迁移学习预测卟啉MOF带隙的方法，其特征在于，所述2)中，利用原子位置平均平滑重叠核方法计算QMOF数据库中每个MOF样本与初始卟啉MOF数据集中每个卟啉基MOF材料之间的全局相似性，对QMOF数据库中每个MOF样本与初始卟啉MOF数据集中各个卟啉基MOF材料之间的全局相似性进行求和平均，获得QMOF数据库中各个MOF样本的平均相似性，按平均相似性降序依次选择多个QMOF数据库中的MOF样本并组成扩充MOF数据集。

4.根据权利要求1所述的一种基于深度迁移学习预测卟啉MOF带隙的方法，其特征在于，所述3)中，深度学习模型为图卷积神经网络GCN。