[发明专利]一种基于机器学习的公式模型构建方法、系统及装置

说明书

本发明公开了一种基于机器学习的公式模型构建方法、系统及装置，包括以下步骤：步骤S1：构建隐式方程；步骤S2：得到组合空间；步骤S3：通过所述专家知识进行约束，获取方程的组合空间；步骤S4：当方程组合数量超过预设阈值，则利用演化计算或LASSO回归的机器学习方法进行回归系数求解；反之，则使用矩阵的伪逆方法进行系数求解；步骤S5：通过预设的评价公式，求解所述候选方程的评价系数，根据所述评价系数评价所述候选方程，排序靠前的所述候选方程即为最终结果。本发明用于搜寻数据之间的关系，并找出相应的表达式，广泛适用于通过实验等手段得到的具有一定特征的数据，在材料构效关系发现和力学中本构方程的发现有着良好的应用。

技术领域

本发明涉及一种材料构效关系发现和力学中本构方程的发现技术领域，涉及到数据挖掘、数据分析、数据处理、机器学习、大数据处理等领域，尤其涉及一种基于机器学习的公式模型构建方法、系统及装置。

背景技术

随着近年来计算机技术及算力水平的大幅提升，为各行业科学的研究与发展带来了巨大的变革与突破。高通量实验和高通量计算技术的发展，推动了科学领域数据的快速积累和专用数据库的建立。以材料领域为例，近年来，数据科学和人工智能技术与材料科学技术的融合，为材料计算从理论和技术两个层面带来的革命性的发展。发展基于小数据的机器学习算法，则是机器学习技术在材料科学等领域应用的基础。以智能计算技术为基础、整合专家知识克服数据量小的缺陷，通过专业知识和智能化算法与软件驱动的新材料研发模式展现出巨大潜力。

而公式和方程一直处于科学研究的核心位置，包括公式构建和方程求解两部分。在现代科学中，公式方程是任何计算模拟的基础，科学界开发了诸如ANSYS、COMSOL等各种各样的科学计算软件。因此发展经验知识嵌入的、从数据到公式的机器学习算法，可以充分利用已经高度发展的科学计算软件。方程可以分为隐式和显式两种。显式方程有具体的数学表达式。隐式方程则只显示了一个变量对其他变量的依赖性，但没有显式的数学形式。结合隐式方程形式和数据来自动化推导显式方程，是对所研究对象系统进行快速建模和精准计算的基础，是理解系统运行机理的有力工具。为了突破微分方程求解传统数值方法对格点划分和方程形式等方面的苛刻要求，近年来，人工智能方程求解方法开始受到关注。但“黑箱模型”的人工神经网络缺乏物理意义，很难通过解的形式对研究系统进行机理分析。发展一种既可以正向求解方程，又可以逆行提取参数，且使解具有简单形式易于分析的人工智能方程求解算法和对应软件，是人工智能微分方程求解的下一步发展目标。

为此，本发明提出一种基于机器学习的公式模型构建方法、系统及装置。

发明内容

本发明为了解决上述技术问题，提供一种基于机器学习的公式模型构建方法、系统及装置。

本发明采用的技术方案如下：

一种基于机器学习的公式模型构建方法，包括以下步骤：

步骤S1：对用户给定的数据和待选基元函数集合，基于专家知识构建隐式方程，并对所述隐式方程中的变量进行无量纲化处理，得到无量纲变量；

步骤S2：根据所述待选基元函数集合，通过穷举组合构建各类项特征的特征空间进行组合，得到组合空间；

步骤S3：所述特征空间中各特征项及由各特征项组成的方程通过所述专家知识进行约束，获取方程的组合空间；

步骤S4：当所述组合空间中的方程组合数量超过预设阈值，则利用演化计算或LASSO回归的机器学习方法对所述组合空间中的方程进行回归系数求解；反之，则使用矩阵的伪逆方法对所述组合空间中的方程进行系数求解；最终，得到多个候选方程；

步骤S5：通过预设的评价公式，求解所述候选方程的评价系数，根据所述评价系数评价所述候选方程，排序靠前的所述候选方程即为最终结果。

进一步地，所述步骤S2具体包括以下子步骤：