[发明专利]一种基于多模态学习的材料性能预测方法及系统

权利要求书

1.一种基于多模态学习的材料性能预测方法，其特征在于，所述预测方法包括如下步骤：

建立训练样本集；所述训练样本集中包括不同材料样本的成分参数、非成分参数和性能参数，所述非成分参数包括工艺参数和结构参数；

采用模态映射方法，将材料样本的成分参数进行模态变换，获得材料样本的灰度图像；

将材料样本的灰度图像和非成分参数作为多模态模型的输入，将材料样本的性能参数作为多模态模型的输出，对多模态模型进行训练，获得训练后的多模态模型；所述多模态模型包括多个第一卷积层、第一注意力层、多个第一线性层、第二卷积层、第二注意力层和第二线性层；多个所述第一卷积层依次连接，位于最后端的第一卷积层的输出端与第二卷积层的第一输入端连接；多个所述第一线性层依次连接，位于最前端的第一线性层的输入端与所述第一注意力层的输出端连接，位于最后端的第一线性层的输出端与所述第二卷积层的第二输入端连接；所述第二卷积层的输出端与所述第二注意力层的输入端连接，所述第二注意力层的输出端与第二线性层的输入端连接；位于最前端的第一卷积层的输入端用于输入灰度图像，第一注意力层的输入端用于输入非成分参数；第二线性层的输出端用于输出性能参数预测结果；

采用模态映射方法，将待测材料的成分参数进行模态变换，获得待测材料的灰度图像；所述模态映射方法的实现步骤为：对成分参数进行成分特征处理，获得成分参数的多个元素级特征；对成分参数的多个元素级特征进行统计分析，获得成分参数的每个元素级特征的多个统计分析特征；分别将成分参数的每个元素级特征的每个统计分析特征映射到区间[0，255]，构建包含成分参数的每个元素级特征的每个统计分析特征的映射值的灰度图像；

将待测材料的灰度图像和成分参数输入训练后的多模态模型，获得待测材料的性能参数预测结果。

2.根据权利要求1所述的基于多模态学习的材料性能预测方法，其特征在于，所述第一注意力层或所述第二注意力层均采用注意力机制；

所述注意力机制的输入数据与输出结果直接满足如下关系式：

其中，Query、Key和Value分别表示输入数据的Query矩阵、Key矩阵和Value矩阵，表示输入数据维数的平方根，Softmax为操作函数，attention(Query、Key，Value)表示注意力机制的输出结果。

3.根据权利要求1所述的基于多模态学习的材料性能预测方法，其特征在于，所述建立训练样本集，之后还包括：

对所述训练样本集中的材料样本数据进行数据清洗。