晶体结构的预测方法、装置、电子设备及存储介质与流程

1.本发明涉及材料结构技术领域，尤其涉及一种晶体结构的预测方法、装置、电子设备及存储介质。


背景技术：

2.材料是推动技术发展的物质基础，而晶体结构预测是新型功能材料发明与发现的基础任务。
3.现有方案中，可以通过密度泛函理论(density functional theory，dft)预测新的晶体结构，该方法计算耗时长，存在预测的晶体结构效率低的问题。


技术实现要素：

4.本发明提供了一种晶体结构的预测方法、装置、电子设备及存储介质，以提升预测晶体结构的效率。
5.根据本发明的一方面，提供了一种晶体结构的预测方法，包括：
6.获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；
7.基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；
8.对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
9.根据本发明的另一方面，提供了一种晶体结构的预测装置，包括：
10.训练数据获取模块，用于获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；
11.预测模型训练模块，用于基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；
12.晶体结构参数获取模块，用于对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；
15.以及与所述至少一个处理器通信连接的存储器；
16.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的晶体结构的预测方法。
17.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的晶体结构的预测方法。
18.本发明实施例的技术方案，通过获取待预测材料的初始晶体结构以及待预测材料
的初始晶体结构对应的能量标签，进而基于待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，对晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。上述技术方案，将神经网络预测模型与参数优化处理方法相结合预测晶体结构，从而得到晶体结构的全局最优解，与传统晶体结构预测方法相比，减少了晶体结构预测运算时间，从而提升了预测晶体结构的效率。
19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是根据本发明实施例一提供的一种晶体结构的预测方法的流程图；
22.图2是根据本发明实施例二提供的一种晶体结构的预测方法的流程图；
23.图3是根据本发明实施例三提供的一种晶体结构的预测方法的流程图；
24.图4是根据本发明实施例四提供的一种晶体结构的预测方法的流程图；
25.图5是根据本发明实施例五提供的一种晶体结构的预测方法的流程图；
26.图6是根据本发明实施例提供的一种晶体结构的预测方法的流程图；
27.图7是根据本发明实施例六提供的一种晶体结构的预测装置的结构示意图；
28.图8是实现本发明实施例的晶体结构的预测方法的电子设备的结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.实施例一
32.图1为本发明实施例一提供的一种晶体结构的预测方法的流程图，本实施例可适用于新型功能材料的晶体结构预测的情况，该方法可以由晶体结构的预测装置来执行，该
晶体结构的预测装置可以采用硬件和/或软件的形式实现，该晶体结构的预测装置可配置于终端和/或服务器中。如图1所示，该方法包括：
33.s110、获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签。
34.本实施例中，待预测材料是指待进行晶体结构预测的材料，待预测材料可以由多种化学元素组成。示例性的，待预测材料可以为由氯原子与钠原子组成的材料、或者由氧原子和硅原子组成的材料等。待预测材料的初始晶体结构可以包括多种类型的晶体结构，其类型可以包括但不限于简单立方、体心立方和面心立方等。初始晶体结构对应的能量标签是指初始晶体结构的总能，初始晶体结构的总能由晶体中原子的势能和动能组成，可以通过原子尺度材料模拟的计算机程序包(vienna ab-initio simulation package，vasp)计算得到。
35.具体的，可以从电子设备的预设存储路径调取待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签；还可以从与电子设备通信连接的其他设备或者云端获取待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，在此不做限定。
36.s120、基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型。
37.其中，初始神经网络模型可以为未经训练的神经网络模型或者经预训练的神经网络模型，其网络架构可以为任意架构，在此不做限定。具体而言，通过神经网络模型对待预测材料的初始晶体结构进行特征提取，得到初始晶体结构的原子特征，进而基于初始晶体结构的原子特征进行预测，得到预测能量，进而基于预测能量与能量标签的损失对初始神经网络模型进行参数调整，直至满足模型训练停止条件，得到训练完成的晶体结构预测模型。
38.s130、对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
39.本实施例中，晶体参数优化处理是指超参数优化处理，其中，晶体结构预测模型作为该超参数优化处理的优化目标，目标晶体结构参数为晶体结构预测模型的全局最优解。
40.需要说明的是，通过对晶体结构预测模型进行晶体参数优化处理，可以得到晶体结构预测模型的全局最优解，从而提升了预测晶体结构的准确性。
41.本发明实施例的技术方案，通过获取待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，进而基于待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，对晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。上述技术方案，将神经网络预测模型与参数优化处理方法相结合预测晶体结构，从而得到晶体结构的最优解，与传统晶体结构预测方法相比，减少了晶体结构预测运算时间，从而提升了预测晶体结构的效率。
42.实施例二
43.图2为本发明实施例二提供的一种晶体结构的预测方法的流程图，本实施例的方法与上述实施例中提供的晶体结构的预测方法中各个可选方案可以结合。本实施例提供的晶体结构的预测方法进行了进一步优化。可选的，所述获取待预测材料的初始晶体结构以
及所述待预测材料的初始晶体结构对应的能量标签，包括：获取待预测材料的成分信息和配比信息；基于所述待预测材料的成分信息和配比信息生成所述待预测材料的多种初始晶体结构；对待预测材料的各初始晶体结构进行能量确定，得到待预测材料的各初始晶体结构对应的能量标签。
44.如图2所示，该方法包括：
45.s210、获取待预测材料的成分信息和配比信息。
46.示例性的，待预测材料可以为氯化钠，成分信息包括氯原子和钠原子，配比信息为一比一；待预测材料可以为二氧化硅，成分信息包括氧原子和硅原子，配比信息为二比一。
47.s220、基于所述待预测材料的成分信息和配比信息生成所述待预测材料的多种初始晶体结构。
48.其中，初始晶体结构可以为根据待预测材料的成分信息和配比信息随机生成的晶体结构。
49.示例性的，可以根据待预测材料的成分信息和配比信息，将原子放置在wyckoff位置上，并对存在靠近的原子对合并，重复上述放置和合并过程，直至达到待预测材料的化学计量，得到待预测材料的多种初始晶体结构。其中，wyckoff位置用于表示晶胞中等价原子的对称性。
50.s230、对待预测材料的各初始晶体结构进行能量确定，得到待预测材料的各初始晶体结构对应的能量标签。
51.具体的，可以通过vasp软件对各初始晶体结构进行总能计算，从而得到各初始晶体结构对应的总能，进而将各初始晶体结构对应的总能作为各初始晶体结构对应的能量标签。
52.s240、基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型。
53.s250、对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
54.本发明实施例的技术方案，通过获取待预测材料的成分信息和配比信息，进而基于待预测材料的成分信息和配比信息生成待预测材料的多种初始晶体结构，进而确定待预测材料的各初始晶体结构的总能，得到待预测材料的各初始晶体结构对应的能量标签，生成了模型的训练数据，为模型训练提供了数据基础。
55.实施例三
56.图3为本发明实施例三提供的一种晶体结构的预测方法的流程图，本实施例的方法与上述实施例中提供的晶体结构的预测方法中各个可选方案可以结合。本实施例提供的晶体结构的预测方法进行了进一步优化。可选的，所述基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，包括：对所述待预测材料的初始晶体结构进行特征提取，得到所述初始晶体结构对应的原子特征；将所述初始晶体结构对应的原子特征输入至初始神经网络模型，得到所述待预测材料的初始晶体结构对应的晶体能量预测结果；基于所述待预测材料的初始晶体结构对应的晶体能量预测结果与所述待预测材料的初始晶体结构对应的能量标签确定模型损失，基于所述模型损失对所述初始神经网络模型的模型参数进行调整，直至满足模型停止训练条件，得到晶体结构预测模型。
57.如图3所示，该方法包括：
58.s310、获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签。
59.s320、对所述待预测材料的初始晶体结构进行特征提取，得到所述初始晶体结构对应的原子特征。
60.s330、将所述初始晶体结构对应的原子特征输入至初始神经网络模型，得到所述待预测材料的初始晶体结构对应的晶体能量预测结果。
61.s340、基于所述待预测材料的初始晶体结构对应的晶体能量预测结果与所述待预测材料的初始晶体结构对应的能量标签确定模型损失，基于所述模型损失对所述初始神经网络模型的模型参数进行调整，直至满足模型停止训练条件，得到晶体结构预测模型。
62.s350、对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
63.示例性的，初始神经网络模型可以为循环神经网络。具体而言，可以对训练数据中的待预测材料的初始晶体结构进行特征提取，得到初始晶体结构中各原子对应的原子特征，进而可以将初始晶体结构对应的原子特征输入至循环神经网络，得到晶体能量预测结果，进而基于待预测材料的初始晶体结构对应的晶体能量预测结果与待预测材料的初始晶体结构对应的能量标签确定模型损失，其中，损失函数可以为均方误差损失函数，进而基于模型损失更新循环神经网络的模型参数，直至满足模型训练停止条件，停止训练，生成并保存晶体结构预测模型。
64.可选的，对待预测材料的初始晶体结构进行特征提取，得到初始晶体结构对应的原子特征，包括：对待预测材料的初始晶体结构进行原子路径抽取，得到至少一条最近邻路径；对最近邻路径中各原子进行原子特征提取，得到初始晶体结构对应的原子特征。
65.具体的，可以根据原子在晶体结构中的排列顺序分别获取各原子的最邻近原子，从而形成从各原子出发的最近邻路径；进一步的，可以通过特征抽取函数，对最近邻路径中各原子进行原子特征提取，得到初始晶体结构对应的原子特征。
66.可选的，对待预测材料的初始晶体结构进行原子路径抽取，得到至少一条最近邻路径，包括：对待预测材料的初始晶体结构中各原子重复如下步骤：确定待预测材料的初始晶体结构中当前原子的最近邻原子，并将当前原子的最近邻原子作为下一抽取原子；确定下一抽取原子的最近邻原子，直至下一抽取原子满足原子路径抽取停止条件，得到最近邻路径。
67.其中，原子路径抽取停止条件可以为在下一抽取原子的截断半径内无原子出现。
68.示例性的，从初始晶体结构选择原子r1，进而确定在截断半径rc内与原子r1最近邻的原子r2，进一步的，计算原子r2的最近邻原子，为避免循环路径，不重复取原子，如此反复，即可得到n条最近邻路径p＝{p1,p2…
pn}。
69.可选的，特征抽取函数可以包括g2和g4，其中，g2的公式具体为：
[0070][0071]
g4的公式具体为：
[0072][0073][0074]
其中，ri表示第i个原子，r
ij
表示原子i和原子j之间的距离，η表示高斯函数的宽度，rs表示高斯函数的中心所移动的距离，rc表示截断半径，θ
ijk
＝acos(r
ij
·rik
/r
ij
·rik
)，表示角分辨率，λ∈[-1,1]。
[0075]
可选的，在循环神经网络训练过程中，可以根据原子之间的距离计算模型权重，从而使循环神经网络能够感知原子之间的距离，从而提升模型预测对晶体结构的预测性能。
[0076]
本发明实施例的技术方案，通过对待预测材料的初始晶体结构进行特征提取，得到初始晶体结构对应的原子特征，进而将初始晶体结构对应的原子特征输入至初始神经网络模型，得到待预测材料的初始晶体结构对应的晶体能量预测结果，进而基于待预测材料的初始晶体结构对应的晶体能量预测结果与待预测材料的初始晶体结构对应的能量标签确定模型损失，基于模型损失对所述初始神经网络模型的模型参数进行调整，直至满足模型停止训练条件，实现了晶体结构预测模型训练，为晶体参数优化提供了可靠的晶体结构预测模型。
[0077]
实施例四
[0078]
图4为本发明实施例四提供的一种晶体结构的预测方法的流程图，本实施例的方法与上述实施例中提供的晶体结构的预测方法中各个可选方案可以结合。本实施例提供的晶体结构的预测方法进行了进一步优化。可选的，对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数，包括：确定在晶体结构预测模型预测能量为最小值情况下的晶体结构参数；将在晶体结构预测模型预测能量为最小值情况下的晶体结构参数作为目标晶体结构参数。
[0079]
如图4所示，该方法包括：
[0080]
s410、获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签。
[0081]
s420、基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型。
[0082]
s430、确定在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数。
[0083]
s440、将在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数作为目标晶体结构参数。
[0084]
本实施例中，可以通过全局优化算法确定在晶体结构预测模型预测能量为最小值情况下的晶体结构参数，全局优化算法可以为贝叶斯优化算法、遗传算法等，在此不做限定。
[0085]
示例性的，可以通过贝叶斯优化算法，确定在晶体结构预测模型预测能量为最小值情况下的晶体结构参数，具体求解公式为：
[0086]
x
*
＝argmin
x∈x f(x)
[0087]
其中，f(x)表示晶体结构预测模型；x表示超参数的一组设置取值，可以包括晶体常数、轴角以及晶体内的原子坐标；x表示超参数集合；x
*
表示目标晶体结构参数。需要说明的是，贝叶斯优化算法求解目标晶体结构参数的过程，可以分为学习代理模型和通过采集函数决定输出下一采集点。需要说明的是，通过引入采集函数，可以在少量的评估次数下取得晶体结构预测模型的最优解。
[0088]
本发明实施例的技术方案，通过确定在晶体结构预测模型输出为最小值情况下的晶体结构参数，进而将在晶体结构预测模型输出为最小值情况下的晶体结构参数作为目标晶体结构参数，得到了晶体结构参数的全局最优解，从而提高了预测晶体结构的准确性。
[0089]
实施例五
[0090]
图5为本发明实施例五提供的一种晶体结构的预测方法的流程图，本实施例的方法与上述实施例中提供的晶体结构的预测方法中各个可选方案可以结合。本实施例提供的晶体结构的预测方法进行了进一步优化。可选的，目标晶体结构参数的数量为多个；相应的，在对晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数之后，方法还包括：对各所述目标晶体结构参数对应结构的预测能量进行排序，基于排序结果确定推荐晶体结构。
[0091]
如图5所示，该方法包括：
[0092]
s510、获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签。
[0093]
s520、基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型。
[0094]
s530、对所述晶体结构预测模型进行晶体参数优化处理，得到多个目标晶体结构参数。
[0095]
s540、对各所述目标晶体结构参数对应结构的预测能量进行排序，基于排序结果确定推荐晶体结构。
[0096]
示例性的，在得到多个目标晶体结构参数之后，可以通过vasp计算出目标晶体结构参数对应结构的预测能量，进而根据预测能量对晶体结构进行排序，将排序结果中最大或最小的n个晶体结构作为推荐晶体结构输出，实现晶体结构的筛选。其中，n可以根据预测需求自定义设置，在此不做限定。
[0097]
可选的，在基于排序结果确定推荐晶体结构之后，方法还包括：在推荐晶体结构不满足势能条件的情况下，将不满足势能条件的推荐晶体结构以及不满足势能条件的推荐晶体结构对应的能量标签加入训练数据集；基于更新后的训练数据集对初始神经网络模型进行训练，得到优化晶体结构预测模型；对优化晶体结构预测模型进行晶体参数优化处理，得到优化目标晶体结构参数。
[0098]
其中，优化晶体结构预测模型是指模型参数更新后的晶体结构预测模型。
[0099]
示例性的，图6为本发明实施例提供的一种晶体结构的预测方法的流程图。具体而言，可以通过电子设备的输入设备输入待预测材料的成分信息和配比信息，进而根据待预测材料的成分信息和配比信息进行广泛采样生成待预测材料的多种初始晶体结构，对待预测材料的各初始晶体结构进行能量确定，得到待预测材料的各初始晶体结构对应的能量标
签；此外，在生成训练数据的过程中，为减少训练数据生成所用时间，可以在生成初始晶体结构时，还可以生成其同比例组成成分但原子数小于该初始晶体结构的晶体结构，以在丰富训练样本的同时减少时间。进一步的，可以使用训练数据对融入了距离权重感知的循环神经网络进行训练，得到优化晶体结构预测模型；对优化晶体结构预测模型进行晶体参数优化处理，得到多个目标晶体结构参数，进而可以通过vasp计算出目标晶体结构参数对应结构的预测能量，进而根据预测能量对晶体结构进行排序，将排序结果中top-n个晶体结构作为推荐晶体结构输出。进一步的，若推荐晶体结构不满足势能条件，即推荐晶体结构通过vasp计算得到的势能与晶体结构预测模型预测得到的势能差值大于预设势能阈值，则可以将该推荐晶体结构以及该推荐晶体结构通过vasp计算得到的势能加入训练数据集，进而基于更新后的训练数据集对进行增量学习或者重新学习的方式更新模型，直至预测的晶体结构满足势能条件，停止迭代。
[0100]
实施例六
[0101]
图7为本发明实施例六提供的一种晶体结构的预测装置的结构示意图。如图7所示，该装置包括：
[0102]
训练数据获取模块610，用于获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；
[0103]
预测模型训练模块620，用于基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；
[0104]
晶体结构参数获取模块630，用于对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
[0105]
本发明实施例的技术方案，通过获取待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，进而基于待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，对晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。上述技术方案，将神经网络预测模型与参数优化处理方法相结合预测晶体结构，从而得到晶体结构的全局最优解，与传统晶体结构预测方法相比，减少了晶体结构预测运算时间，从而提升了预测晶体结构的效率。
[0106]
在一些可选的实施方式中，训练数据获取模块610，还用于：
[0107]
获取待预测材料的成分信息和配比信息；
[0108]
基于所述待预测材料的成分信息和配比信息生成所述待预测材料的多种初始晶体结构；
[0109]
对待预测材料的各初始晶体结构进行能量确定，得到待预测材料的各初始晶体结构对应的能量标签。
[0110]
在一些可选的实施方式中，预测模型训练模块620，包括：
[0111]
特征提取单元，用于对所述待预测材料的初始晶体结构进行特征提取，得到所述初始晶体结构对应的原子特征；
[0112]
晶体结构预测单元，用于将所述初始晶体结构对应的原子特征输入至初始神经网络模型，得到所述待预测材料的初始晶体结构对应的晶体能量预测结果；
[0113]
预测模型训练单元，用于基于所述待预测材料的初始晶体结构对应的晶体能量预测结果与所述待预测材料的初始晶体结构对应的能量标签确定模型损失，基于所述模型损失对所述初始神经网络模型的模型参数进行调整，直至满足模型停止训练条件，得到晶体结构预测模型。
[0114]
在一些可选的实施方式中，特征提取单元，包括：
[0115]
原子路径抽取单元，用于对所述待预测材料的初始晶体结构进行原子路径抽取，得到至少一条最近邻路径；
[0116]
原子特征提取单元，用于对所述最近邻路径中各原子进行原子特征提取，得到所述初始晶体结构对应的原子特征。
[0117]
在一些可选的实施方式中，原子路径抽取单元，具体用于：
[0118]
对所述待预测材料的初始晶体结构中各原子重复如下步骤：
[0119]
确定所述待预测材料的初始晶体结构中当前原子的最近邻原子，并将所述当前原子的最近邻原子作为下一抽取原子；
[0120]
确定下一抽取原子的最近邻原子，直至下一抽取原子满足原子路径抽取停止条件，得到最近邻路径。
[0121]
在一些可选的实施方式中，晶体结构参数获取模块630，还用于：
[0122]
确定在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数；
[0123]
将在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数作为目标晶体结构参数。
[0124]
在一些可选的实施方式中，所述目标晶体结构参数的数量为多个；
[0125]
相应的，装置还包括：
[0126]
推荐晶体结构确定模块，用于对各所述目标晶体结构参数对应结构的预测能量进行排序，基于排序结果确定推荐晶体结构。
[0127]
在一些可选的实施方式中，装置还包括：
[0128]
训练数据集更新模块，用于在推荐晶体结构不满足势能条件的情况下，将不满足势能条件的推荐晶体结构以及所述不满足势能条件的推荐晶体结构对应的能量标签加入训练数据集；
[0129]
模型更新模块，用于基于更新后的训练数据集对初始神经网络模型进行训练，得到优化晶体结构预测模型；
[0130]
目标晶体结构参数优化模块，用于对所述优化晶体结构预测模型进行晶体参数优化处理，得到优化目标晶体结构参数。
[0131]
本发明实施例所提供的晶体结构的预测装置可执行本发明任意实施例所提供的晶体结构的预测方法，具备执行方法相应的功能模块和有益效果。
[0132]
实施例七
[0133]
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作
为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0134]
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。i/o接口15也连接至总线14。
[0135]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0136]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如晶体结构的预测方法，该方法包括：
[0137]
获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；
[0138]
基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；
[0139]
对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。
[0140]
在一些实施例中，晶体结构的预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的晶体结构的预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行晶体结构的预测方法。
[0141]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0142]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在
机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0143]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0144]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0145]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0146]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0147]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0148]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种晶体结构的预测方法，其特征在于，包括：获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。2.根据权利要求1所述的方法，其特征在于，所述获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，包括：获取待预测材料的成分信息和配比信息；基于所述待预测材料的成分信息和配比信息生成所述待预测材料的多种初始晶体结构；对待预测材料的各初始晶体结构进行能量确定，得到待预测材料的各初始晶体结构对应的能量标签。3.根据权利要求1所述的方法，其特征在于，所述基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，包括：对所述待预测材料的初始晶体结构进行特征提取，得到所述初始晶体结构对应的原子特征；将所述初始晶体结构对应的原子特征输入至初始神经网络模型，得到所述待预测材料的初始晶体结构对应的晶体能量预测结果；基于所述待预测材料的初始晶体结构对应的晶体能量预测结果与所述待预测材料的初始晶体结构对应的能量标签确定模型损失，基于所述模型损失对所述初始神经网络模型的模型参数进行调整，直至满足模型停止训练条件，得到晶体结构预测模型。4.根据权利要求3所述的方法，其特征在于，所述对所述待预测材料的初始晶体结构进行特征提取，得到所述初始晶体结构对应的原子特征，包括：对所述待预测材料的初始晶体结构进行原子路径抽取，得到至少一条最近邻路径；对所述最近邻路径中各原子进行原子特征提取，得到所述初始晶体结构对应的原子特征。5.根据权利要求4所述的方法，其特征在于，所述对所述待预测材料的初始晶体结构进行原子路径抽取，得到至少一条最近邻路径，包括：对所述待预测材料的初始晶体结构中各原子重复如下步骤：确定所述待预测材料的初始晶体结构中当前原子的最近邻原子，并将所述当前原子的最近邻原子作为下一抽取原子；确定所述下一抽取原子的最近邻原子，直至下一抽取原子满足原子路径抽取停止条件，得到最近邻路径。6.根据权利要求1所述的方法，其特征在于，对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数，包括：确定在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数；将在所述晶体结构预测模型预测能量为最小值情况下的晶体结构参数作为目标晶体
结构参数。7.根据权利要求1所述的方法，其特征在于，所述目标晶体结构参数的数量为多个；相应的，在对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数之后，所述方法还包括：对各所述目标晶体结构参数对应结构的预测能量进行排序，基于排序结果确定推荐晶体结构。8.根据权利要求7所述的方法，其特征在于，在所述基于排序结果确定推荐晶体结构之后，所述方法还包括：在推荐晶体结构不满足势能条件的情况下，将不满足势能条件的推荐晶体结构以及所述不满足势能条件的推荐晶体结构对应的能量标签加入训练数据集；基于更新后的训练数据集对初始神经网络模型进行训练，得到优化晶体结构预测模型；对所述优化晶体结构预测模型进行晶体参数优化处理，得到优化目标晶体结构参数。9.一种晶体结构的预测装置，其特征在于，包括：训练数据获取模块，用于获取待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签；预测模型训练模块，用于基于待预测材料的初始晶体结构以及所述待预测材料的初始晶体结构对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型；晶体结构参数获取模块，用于对所述晶体结构预测模型进行晶体参数优化处理，得到目标晶体结构参数。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的晶体结构的预测方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的晶体结构的预测方法。

技术总结
本发明公开了一种晶体结构的预测方法、装置、电子设备及存储介质。该方法包括：获取待预测材料的初始晶体结构以及待预测材料的初始晶体结构对应的能量标签，进而基于待预测材料的初始晶体结构及其对应的能量标签，对初始神经网络模型进行训练，得到晶体结构预测模型，对晶体结构预测模型进行晶体参数优化处理，最终得到目标晶体结构参数。上述技术方案，将神经网络预测模型与参数优化处理方法相结合预测晶体结构，从而得到晶体结构的全局最优解，与传统晶体结构预测方法相比，减少了晶体结构预测运算时间，从而提升了预测晶体结构的效率。率。率。


技术研发人员：蒋建慧 王思宇 龚奎 王音 邰博
受保护的技术使用者：鸿之微科技（上海）股份有限公司
技术研发日：2023.06.09
技术公布日：2023/8/31