[发明专利]一种基于生成对抗网络的晶体结构预测方法

说明书

本发明公开了一种基于生成对抗网络的晶体结构预测方法，属于材料结构技术领域，包括导入晶体结构数据、数据预处理、数据增广、模型训练、数据后处理和模型验证；本发明通过将生成的结构模型输入原子尺度材料模拟的计算机程序包进行自洽计算。通过从已有晶体学结构数据中进行数据挖掘的方式，让机器提取现有晶体学结构数据中的规律，完成晶体学新结构预测任务，保证晶体学预测成功率，通过将人工智能数据挖掘技术引入新材料、新晶体结构的预测任务中来，将原有的第一性原理“从头算”的思路，改为从已有数据中进行数据挖掘，使得晶体学新结构预测所需的时间显著降低，同时保证了预测的精度和准确度。

技术领域

本发明涉及材料结构技术领域，特别是涉及一种基于生成对抗网络的晶体结构预测方法。

背景技术

新材料的发明和发现是推动人类社会和文明进步的重要因素之一。作为新材料设计的重要内容，晶体学新结构的研发和预测是无机材料研究领域的核心问题之一。过去新材料的发现，主要通过实验试错或者偶然发现，这需要花费大量的人力物力，并完成极具挑战性的实验。近10年以来，计算材料学的飞速发展让通过材料学计算发现新材料成为可能。基于计算材料学的晶体学结构预测领域常用的方法包括原子驰豫、分子动力学模拟等。第一次无机晶体结构预测盲测是目前较为常用的一种无机晶体结构预测方法。

经检索，专利号为CN108268750B公开了一种基于枚举Wyckoff位置组合的假想无机晶体结构预测方法，通过枚举出的Wyckoff位置组合，将原子固定在Wyckoff位置上进行假想无机晶体结构模型搭建，最终完成假想无机晶体结构预测。

虽然枚举Wyckoff位置组合的假想无机晶体结构预测方法相比于原有的实验方法而言，其发现效率有显著的提升。然而，枚举Wyckoff位置组合的预测方法需要耗费大量的计算机算力；对于较大的材料体系而言，必须借助大型超级计算机，如天河2号等完成计算任务，耗力耗时。基于此，提出一种基于生成对抗网络的晶体结构预测方法。

发明内容

为解决上述技术问题，本发明提供如下技术方案：一种基于生成对抗网络的晶体结构预测方法，包括如下步骤：

步骤1)：导入晶体结构数据：

从材料学数据库获取已知晶体学结构数据，该晶体学结构与所预测的晶体学结构数据为近似结构体；

步骤2)：数据预处理：

在进行晶体学结构预测前，使所有的输入变量彼此之间相互独立，以提高数据预测的有效性；

步骤3)：数据增广：

在原有的分子坐标数据基础上加入随机抽取的随机数变量，以达到在三维空间进行晶体结构平移的目的；当进行旋转变换时，将三个分子坐标相互转换位置；

步骤4)：模型训练：

所述模型训练具体包括步骤S1)：设置生成对抗网络：初始化生成器G、判别器D的模型权重、损失函数和优化参数，设置生成对抗网络的初始训练参数；

步骤S2)：导入训练数据：将经过数据增广的结构数据导入模型；

步骤S3)：导入人工噪音：在导入的训练数据上加入适当噪音，用于提高训练效率；

步骤S4)：训练生成器：将随机产生的高斯噪音z输入生成器G,产生生成数据G(z)；

步骤S5)：训练判别器；判别器以训练数据为正样本进行模型训练；

步骤S6)：生成数据评价；由判别器基于训练数据对生成数据G(z)进行评价；

步骤S7)：计算损失函数；分别计算生成器G和判别器D的损失函数；

步骤S8)：更新参数：更新判别器和生成器的训练参数；