一种有机无机杂化钙钛矿性能预测方法、预测系统及装置

1.本技术涉及量子神经网络技术领域，尤其涉及一种有机无机杂化钙钛矿性能预测方法、预测系统及装置。


背景技术：

2.有机无机钙钛矿材料是具有abx3晶体构型的一大类材料，在光伏器件领域中具有广泛应用。现有针对有机无机钙钛矿材料的性能集中在骨架结构、带隙、总能方面，但由于上述结构或性能的预测手段单一，使得该类结构的材料在材料数据库、已报道文献及潜在可合成的材料空间中仍然存在大量有机无机杂化钙钛矿的构效关系待研究。


技术实现要素：

3.发明目的：本技术提供一种有机无机杂化钙钛矿性能预测方法、预测系统及装置，能够在量子计算平台以及经典量子协同的计算体系架构下，采用量子图神经网络求解有机无机杂化钙钛矿的构效关系。
4.本技术公开了一种有机无机杂化钙钛矿性能预测方法，具体步骤如下：s1，将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；s2，从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；s3，从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；s4，将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；s5，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或化学性质。
5.优选的，步骤s2中，从结构数据s0中提取有机骨架结构信息并编码为量子态数据的具体步骤如下：根据有机骨架结构信息sa计算有机分子结构对应的邻接矩阵da1，结合sa和da1计算有机分子骨架的原子向量，将不同原子的向量的排序与da1中反映的分子拓扑结构相对应，得到有机原子向量数据da2；将da1和da2结合的结果编码为输入量子态后传入第一量子图神经网络中执行计算。
6.优选的，步骤s2中，优化第一量子图神经网络的具体步骤如下：
将da1和da2结合的结果da3按照量子态密度矩阵的数学特征进行编码，并将编码后的结果由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第一量子图神经网络中的权重，并更新图网络的节点及边信息da4。
7.优选的，步骤s3中，从结构数据s0中提取无机骨架结构信息并编码为量子态数据的具体步骤如下：根据无机骨架结构信息sb中的拓扑结构计算无机骨架的邻接矩阵db1，根据无机骨架中的原子结构信息计算得到无机原子向量数据db2；将db1和db2结合的结果编码为输入量子态后传入第二量子图神经网络中执行计算。
8.优选的，步骤s3中，优化第二量子图神经网络的具体步骤如下：将db1和db2结合的结果db3按照量子态密度矩阵的数学特征进行编码，并将编码后的结果由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第二量子图神经网络的权重，并更新图网络的节点及边信息db4。
9.优选的，邻接矩阵对分子中原子骨架信息的描述包括原子骨架信息和电荷虚拟位，所述的电荷虚拟位用于描述分子带电信息。
10.优选的，步骤s4中，有机骨架结构特征和无机骨架结构特征数据的聚合方法包括向量拼接、矩阵拼接和张量拼接。
11.优选的，步骤s4中，具有学习功能的预测量子图神经网络的优化步骤具体如下：将聚合后的数据输入到具有学习功能的预测量子图神经网络中得到输出结果dc1，结合dc1和标签的数据信息，计算监督学习的损失函数，并选择经典优化算法更新整个网络结构，完成预测量子图神经网络的学习和训练，所述的标签包括有机无机杂化钙钛矿的物理性质和/或化学性质。
12.进一步的，将有机无机杂化钙钛矿的结构信息文件作为输入时，包括但不限于cif、poscar、xyz等借助已有软件工具可以互相转换的结构输入文件。
13.进一步的，将有机骨架结构信息输入第一量子图神经网络或将无机骨架结构信息输入第二量子图神经网络中进行数据处理时，此时结构信息是经典数据，调用具有量子计算特效的量子神经网络qnn时，需要将经典数据编码为量子态输入至qnn，此时qnn替换了普通消息传递网络mpn中的多层感知机，量子态数据在量子神经网络qnn对应的量子线路中的演化对应量子物理和量子信息的描述，通过量子测量获取演化后量子态中的信息，测量得到的经典数据用于第一量子图神经网络或第二量子图神经网络的更新，量子图神经网络既满足图神经网络深度学习特征也满足量子计算特征。
14.进一步的，量子图神经网络同时包含量子计算和深度学习的特征，量子图神经网络的量子计算特征表现在量子态的构造和演化以及测量上；深度学习特征表现在演化方式的控制变量是经典信息，可以完全按照深度学习优化器的方式进行学习和更新。例如可以按照现有的监督学习任务进行深度学习，其中量子图神经网络中包含的泡利旋转门的相位信息通过量子测量获得，作为用于更新量子图神经网络的经典变量数据。
15.进一步的，进行深度学习过程中，损失函数的构造与标签和输出的预测值有关，标签和输出的预测值都是经典数据。
16.进一步的，计算有机骨架和无机骨架的邻接矩阵时，可以通过rdkit等化学信息类工具中给出的从分子结构计算分子邻接矩阵的算法流程完成计算，计算有机骨架和无机骨
架的原子向量时，每个原子的向量描述的分量中包含反映原子电荷分布、原子元素类型、原子空间位置以及其它物理化学属性等的数据。
17.进一步的，有机无机杂化钙钛矿通常为离子晶体，有机骨架分子带电或者呈现很强的电极化。通过在原子作为节点的图网络中，增加一位描述电荷以及电荷位置，能够更好的反应有机无机杂化钙钛矿材料的微观特效，该微观特效也与材料宏观性质之间存在客观联系。因此增加电荷虚拟位能够更精准的对有机无机杂化钙钛矿结构进行描述。
18.进一步的，预测量子图神经网络求解的目标有机无机杂化钙钛矿的目标物理性质和/或化学性质与学习任务中的标签数据相同，在监督学习任务中作为标签数据的是不同构型的性质，可以作为标签的数据包括结合能、电子带隙、光学吸收系数等物理性质、化学性质。
19.进一步的，根据图神经网络输入数据的统一接口，图神经网络可以采用但不限于gcn图卷积神经网络、gin图同构神经网络、gat图注意力机制神经网络等在消息传递网络下运行的图神经网络算法，并可以按照量子计算统一的软件架构，来处理有机无机钙钛矿的数据驱动学习任务。量子计算统一的软件架构可以参考应明生主编的《量子编程基础》中的“量子数据，经典控制”的定义。
20.本技术的有益效果在于：第一，采用量子计算机与图神经网络深度学习工具结合得到量子图神经网络，处理有机无机杂化钙钛材料的带隙、总能等性质的预测；第二，能够对有机骨架的结构信息和无机骨架的结构信息提供处理方法，使其能够满足量子图神经网络的输入数据要求，并能够利用图神经网络实现骨架信息的特征描述；第三，能够实现对无机骨架信息和有机骨架信息进行信息聚合，通过对聚合数据的利用预测量子图神经网络的进一步处理，达到构效关系预测的目的；第四，在构效关系预测过程中，能够实现全自动数据处理流程，并能够完成数据驱动的量子神经网络训练和学习流程。
附图说明
21.图1是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法的工作流程图；图2是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中有机骨架的结构式；图3是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中描述有机骨架结构图神经网络中的边索引信息；图4是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中无机骨架拓扑结构图网络对应的邻接矩阵；图5是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中无机骨架的图结构数据；图6是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中采用经典图神经网络处理无机骨架图结构数据的输出结果；图7是本发明基于量子图神经网络的有机无机杂化钙钛矿预测方法具体实施例中采用量子图神经网络处理无机骨架图结构数据的输出结果；图8是本发明基于量子图神经网络的有机无机杂化钙钛矿性能预测系统结构示意
图。
具体实施方式
22.下面将结合本技术实施例对本技术中的技术方案进行清楚、完整地描述。
23.钙钛矿材料是具有abx3晶体构型的一大类材料。通常x为阴离子，a和b为阳离子，b-x形成以b为中心的立方八面体，a在该八面体的间隙。在光伏器件领域中具有代表性地位的有机无机杂化钙钛矿中，a为有机分子骨架，b为pb、sn、ge等金属元素，x为卤素阴粒子。其中mapbi3最早被用于钙钛矿光伏器件，fapbi3、fapbbr3也是用于制备钙钛矿器件的重要材料。用于钙钛矿性质预测的图神经网络等深度学习工具已经被广泛接受，并被认为有助于促进和加速材料设计、缩短研发周期，缩减成本。比如韩国kaist的研究团队与帝国理工学院的aron walsh教授团队合作，采用图神经网络加速钙钛矿的合成设计。该成果于2022年发表在nature合作期刊npj computational materials上。这一系列创新成果都表明了国内外对深度学习等方法用于钙钛矿研究的前沿和创新性。
24.图神经网络这一深度学习工具的基本逻辑，依赖消息传递网络mpn。消息传递网络的训练和学习过程中，需要根据图网络的拓扑结构，边和节点的数据进行更新。随着节点数增长，以及拓扑结构复杂度的提升，均会导致图神经网络训练过程中计算量的急速增加。在图神经网络用于钙钛矿等晶体结构预测时，通常每个节点对应一个原子向量，而实际材料研发中涉及的原子数规模极其庞大，这其中潜在存在着巨大的智能算力需求。量子计算机被认为时一种高效低、具有强大算力的工具。国际上代表性的量子计算巨头ibm正在不断提升，量子比特规模和量子体积，从而提升算力。而ibm也在其量子计算平台上进行了量子神经网络的构造和运行，从而使得量子计算机为深度学习模型带来算力及其它算法逻辑的提升。
25.在材料数据库、已报道文献及潜在可合成的材料空间中仍然存在大量有机无机杂化钙钛矿的构效关系待研究。因此，在量子平台利用神经网络求解有机无机杂化钙钛矿的构效关系具有广阔的研发和应用前景。
26.一种有机无机杂化钙钛矿性能预测方法，具体步骤如下：s1，将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；s2，从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；s3，从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；s4，将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；s5，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或
化学性质。
27.可以理解的是，在有机无机杂化钙钛矿的结构性能的构效关系研究场景中，提出一类可用于该型材料设计的量子图神经网络，以及从头构建该场景的模型的完整流程。这包含：(1)从标准结构文件cif或poscar中提取有机原子空间坐标，并转化为图网络输入数据的方案；(2)结构文件中无机骨架构建量子图神经网络输入的方案；（3）用于有机骨架和无机骨架的量子图神经网络的embeding/特征提取的训练学习；（4）有机骨架信息和无机骨架信息融合的量子神经网络；（5）整个量子图神经网络的训练和优化方案。该发明能够有效解决在量子计算平台以及经典量子协同的计算体系架构下，采用量子图神经网络求解有机无机杂化钙钛矿构效关系的空白。
28.本实施例提供了一种可以在量子计算平台/经典计算平台/量子模拟器等环境上运行的、可用于有机无机杂化钙钛矿的数据驱动计算任务的、以图神经网络为主要深度学习骨架的经典计算-量子计算交叉执行方案。
29.根据图神经网络输入数据的统一接口，本实施例支持但不限于gcn图卷积神经网络、gin图同构神经网络、gat图注意力机制神经网络等在消息传递网络下运行的图神经网络算法，按照量子计算统一的软件架构来处理有机无机钙钛矿的数据驱动学习任务。
30.如图1所示，具体步骤如下：步骤1，将eagef3有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；步骤2，从结构数据s0中提取有机骨架结构信息ea
+
，其中ea为ethylamine分子，结构式如图2所示，在消息传递机制的第一量子图神经网络中的图结构数据包含节点向量x和边索引edge_index两部分信息，根据有机骨架结构信息ea
+
，利用rdkit等化学信息类工具中给出从分子结构计算分子邻接矩阵的算法流程，计算有机分子结构对应的邻接矩阵da1作为边索引数据，如图3所示，本实施例中，邻接矩阵对分子中原子骨架信息的描述部分，引入一个虚拟位用于描述分子带电信息，综合原子骨架信息和电荷虚拟位来构造da1。结合有机骨架结构信息ea
+
和邻接矩阵da1，计算有机分子骨架的原子向量da2，本实施例中，原子向量da2包括原子序数、空间坐标、物理化学性质等属性的基础上，添加了电荷位置的描述，如图2所示，与da1中反映的分子拓扑结构相对应，0，1，2位置为别对应c、c、n原子，3位置对应电荷位，用于描述带电信息，可根据邻接矩阵推导出的连接关系，反应不同原子的带电信息。
31.将da1和da2结合的结果da3按照量子态密度矩阵的数学特征进行编码，并将编码后的结果由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第一量子图神经网络中的权重，并更新图网络的节点及边信息da4。
32.步骤3，从结构数据s0中提取无机骨架结构信息gef3，根据无机骨架结构信息gef3的拓扑结构计算无机骨架的邻接矩阵db1，如图4所示，根据无机骨架中的原子结构信息计算得到无机原子向量数据db2，将db1和db2结合的结果编码为输入量子态后传入第二量子图神经网络中执行计算。本实施例中采用非周期性分数占比的图网络关系，其中分数占比体现在原子向量的描述中，按照顺时针方向描述所有原子，且穿过中心原子。编码后的gef3的图结构数据如图5所示。
33.并将编码后的gef3的图结构数据由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第二量子图神经网络中的权重，并更新图网络的节点及
边信息db4。如图7所示为采用第二量子图神经网络处理无机骨架图结构数据的输出结果。也可以采用经典图神经网络处理gef3的输入，得到输出结果如图6所示。
34.步骤4，将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；本实施例中，有机骨架结构信息的特征描述和无机骨架结构信息的特征描述数据的聚合方法包括但不限于向量拼接、矩阵拼接和张量拼接。对预测量子图神经网络进行训练和优化的步骤包括：将聚合后的数据输入到具有学习功能的预测量子图神经网络中得到输出结果dc1，结合dc1和标签的数据信息，计算监督学习的损失函数，并选择经典优化算法更新整个网络结构，完成预测量子图神经网络的学习和训练，本实施例中，标签信息为机无机杂化钙钛矿的物理、化学性质，包括但不限于电子带隙、光学吸收系数等物理性质、化学性质。
35.步骤5，用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或化学性质。。
36.综上，本技术方案在有机无机杂化钙钛矿的结构性能的构效关系研究场景中，从标准结构文件中提取有机骨架结构信息和无机骨架结构信息转换为图网络输入数据，并利用图神经网络进行处理，得到有机骨架结构信息和无机骨架结构信息的演化结果，最后通过无机骨架信息和有机骨架信息的聚合处理，用于实现预测量子图神经网络的优化训练和构效预测，有效解决在量子计算平台以及经典量子协同的计算体系架构下，采用量子图神经网络求解有机无机杂化钙钛矿构效关系的空白。
37.基于相同的构思，本技术实施例还提供一种有机无机杂化钙钛矿性能预测系统，如图8所示，包括：输入模块，输入模块被配置为将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；第一训练模块，所述第一训练模块被配置为从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；第二训练模块，所述第二训练模块被配置为从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；；第三训练模块，所述第三训练模块被配置为将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；输出模块，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性
质和/或化学性质。
38.需要说明的是，本实施例的有机无机杂化钙钛矿性能预测系统是与上述有机无机杂化钙钛矿性能预测方法相对应的系统。系统中的功能模块分别对应预测方法中的相应步骤。本实施例的有机无机杂化钙钛矿性能预测系统可与述有机无机杂化钙钛矿性能预测方法相互相配合实施。相应地，本实施例的有机无机杂化钙钛矿性能预测系统中提到的相关技术细节也可应用在有机无机杂化钙钛矿性能预测方法中。此外，上述的各功能模块实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的部分或全部步骤，或以上的各功能模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
39.实施例中还提供的有机无机杂化钙钛矿性能预测装置，包括与系统总线连接的处理器、存储器和通信接口，其中，处理器用于提供控制计算能力；存储器上存储有计算机程序，该计算机程序被处理器执行时实现有机无机杂化钙钛矿性能预测方法。存储器包括计算机存储介质和内存储器，计算机存储介质为非易失性存储介质，该非易失性存储介质存储有操作系统和计算机程序，内存储为操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络等。
40.在一些实施例中，处理器执行计算机程序指令时实现以下步骤：s1，将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；s2，从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；s3，从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；s4，将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；s5，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或化学性质。
41.以上对本技术实施例所提供的一种有机无机杂化钙钛矿性能预测方法、预测系统及装置进行了详细介绍，本技术中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申
请各实施例的技术方案的范围。

技术特征：
1.一种有机无机杂化钙钛矿性能预测方法，其特征在于，具体步骤如下：s1，将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；s2，从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；s3，从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；s4，将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；s5，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或化学性质。2.根据权利要求1所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s2中，从结构数据s0中提取有机骨架结构信息并编码为量子态数据的具体步骤如下：根据有机骨架结构信息sa计算有机分子结构对应的邻接矩阵da1，结合sa和da1计算有机分子骨架的原子向量，将不同原子的向量的排序与da1中反映的分子拓扑结构相对应，得到有机原子向量数据da2；将da1和da2结合的结果编码为输入量子态后传入第一量子图神经网络中执行计算。3.根据权利要求2所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s2中，优化第一量子图神经网络的具体步骤如下：将da1和da2结合的结果da3按照量子态密度矩阵的数学特征进行编码，并将编码后的结果由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第一量子图神经网络中的权重，并更新图网络的节点及边信息da4。4.根据权利要求1所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s3中，从结构数据s0中提取无机骨架结构信息并编码为量子态数据的具体步骤如下：根据无机骨架结构信息sb中的拓扑结构计算无机骨架的邻接矩阵db1，根据无机骨架中的原子结构信息计算得到无机原子向量数据db2；将db1和db2结合的结果编码为输入量子态后传入第二量子图神经网络中执行计算。5.根据权利要求4所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s3中，优化第二量子图神经网络的具体步骤如下：将db1和db2结合的结果db3按照量子态密度矩阵的数学特征进行编码，并将编码后的结果由参数化量子线路组成的量子神经网络处理，获取测量结果，参数化量子效率更新第二量子图神经网络的权重，并更新图网络的节点及边信息db4。6.根据权利要求2或权利要求4所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的邻接矩阵对分子中原子骨架信息的描述包括原子骨架信息和电荷虚拟位，所述的电荷虚拟位用于描述分子带电信息。
7.根据权利要求1所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s4中，有机骨架结构特征和无机骨架结构特征数据的聚合方法包括向量拼接、矩阵拼接和张量拼接。8.根据权利要求7所述的有机无机杂化钙钛矿性能预测方法，其特征在于：所述的步骤s4中，具有学习功能的预测量子图神经网络的优化步骤具体如下：将聚合后的数据输入到具有学习功能的预测量子图神经网络中得到输出结果dc1，结合dc1和标签的数据信息，计算监督学习的损失函数，并选择经典优化算法更新整个网络结构，完成预测量子图神经网络的学习和训练，所述的标签包括有机无机杂化钙钛矿的物理性质和/或化学性质。9.一种有机无机杂化钙钛矿性能预测系统，其特征在于，包括：输入模块，所述输入模块被配置为将任意的有机无机杂化钙钛矿的结构信息作为输入，标记为结构数据s0；第一训练模块，所述第一训练模块被配置为从结构数据s0中提取有机骨架结构信息，输入至用于提取有机骨架结构特征的第一量子图神经网络中，将有机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第一量子图神经网络；第二训练模块，所述第二训练模块被配置为从结构数据s0中提取无机骨架结构信息，输入至用于提取无机骨架结构特征的第二量子图神经网络中，将无机骨架结构信息编码为量子态后调用具有量子计算特效的量子神经网络，获取演化后量子态信息用于优化第二量子图神经网络；；第三训练模块，所述第三训练模块被配置为将有机骨架结构信息和无机骨架结构信息的特征描述聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；；输出模块，利用优化后的第一量子图神经网络和第二量子图神经网络获取目标有机无机杂化钙钛矿的有机骨架结构特征和无机骨架结构特征并进行聚合，将聚合数据编码为量子态输入优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿的目标物理性质和/或化学性质。10.一种有机无机杂化钙钛矿性能预测装置，其特征在于，包括处理器以及存储有计算机程序指令的存储器；所述处理器执行计算机程序指令时实现权利要求1至8任一项所述的有机无机杂化钙钛矿预测方法。

技术总结
本发明公开了一种有机无机杂化钙钛矿性能预测方法、预测系统及装置，具体步骤如下：获取任意的有机无机杂化钙钛矿的结构信息数据；从结构数据中提取有机骨架结构信息和无机骨架结构信息并转化为图网络输入数据，利用图神经网络处理得到骨架结构信息的演化结果，有机骨架结构信息和无机骨架结构信息聚合后编码为量子态数据，将聚合后的量子态数据输入到具有学习功能的预测量子图神经网络中，并对预测量子图神经网络进行训练和优化；最后利用优化后的预测量子图神经网络求解目标有机无机杂化钙钛矿构效关系。该方法能够在量子计算平台以及经典量子协同的计算体系架构下，采用量子图神经网络求解有机无机杂化钙钛矿的构效关系。系。系。


技术研发人员：洒荣建 胡俊杰 李德晶 张燕杰 叶远松
受保护的技术使用者：闽江学院
技术研发日：2023.07.06
技术公布日：2023/9/22