[发明专利]一种材料化学成分设计方法、装置、设备、存储介质和产品

说明书

本申请公开了一种材料化学成分设计方法、装置、设备、存储介质，旨在解决现有研发新材料过程中研发周期长、资源浪费较大的技术问题。所述材料化学成分设计方法，包括以下步骤：将样本材料的化学成分数据进行预处理，获得第一数据集；其中，所述第一数据集中包括具有不同目标性能的多种样本材料的化学成分数据，所述化学成分数据包括化学成分以及化学成分含量；通过神经网络对所述第一数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域；其中，所述特征包括：不同化学成分数据与目标性能之间的关系；在所述材料化学成分设计的结构化域中随机采样，获得材料的化学成分。

技术领域

本申请涉及化学新材料领域，特别涉及一种材料化学成分设计方法、装置、设备、存储介质。

背景技术

材料革新是技术进步和产业发展的基础和动力，传统研发新材料时常采用试错法获得预期的材料，该方法实验步骤繁琐、研发周期长、资源浪费较大，且操作中往往不能达到实验预期，产生大量不理想数据，使数据处理复杂化。

发明内容

本申请的主要目的是提供一种材料化学成分设计方法、装置、设备、存储介质，旨在解决现有研发新材料过程中实验步骤繁琐、研发周期长、资源浪费较大的技术问题。

为实现上述目的，本申请提出了包括以下步骤：

将样本材料的化学成分数据进行预处理，获得第一数据集；其中，所述第一数据集中包括具有不同目标性能的多种样本材料的化学成分数据，所述化学成分数据包括化学成分以及化学成分含量；

通过神经网络对所述第一数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域；其中，所述特征包括：不同化学成分数据与目标性能之间的关系；

在所述材料化学成分设计的结构化域中随机采样，获得材料的化学成分。

可选地，所述将样本材料的化学成分数据通过数据规范化处理进行预处理，获得第一数据集的步骤，包括：

利用预处理方法降低各样本材料中各化学成分含量差异，获得第一数据集。

可选地，在所述通过神经网络对所述第一数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域的步骤之前，还包括：

对所述第一数据集进行数据增强，获得第二数据集；

所述通过神经网络对所述第一数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域的步骤，包括：

通过神经网络对所述第二数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域。

可选地，所述通过神经网络对所述第二数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域的步骤，包括：

通过全连接神经网络对所述第二数据集中样本材料的特征进行学习，获得第一结构化域；

通过卷积神经网络对所述第二数据集中样本材料的特征进行学习，获得第二结构化域；

通过循环神经网络对所述第二数据集中样本材料的特征进行学习，获得第三结构化域；

将所述第一结构化域、所述第二结构化域和所述第三结构化域进行集成学习，获得所述材料化学成分设计的结构化域。

可选地，所述通过神经网络对所述第二数据集中样本材料的特征进行学习，获得材料化学成分设计的结构化域的步骤，包括：

通过神经网络对所述第二数据集中样本材料的特征进行学习，获得材料化学成分设计的初始结构化域；

基于所述初始结构化域与所述第二数据集之间的差异，计算重建损失；

基于所述神经网络中隐藏节点对所述第二数据集的响应，计算潜在损失；