本發明涉及材料結構領域，具體為基于混合勢能深度學習模型的晶體結構預測方法及系統。

背景技術：

1、晶體結構的準確預測是材料設計與新材料發現中的核心任務之一，尤其是在尋找穩定且具有優異性能的新型材料時。材料的晶體結構決定了其物理、化學以及機械等多種性質，因此，精確預測晶體結構不僅能夠加速材料的篩選過程，還能為材料的實際應用提供理論依據。傳統的計算方法，如密度泛函理論（dft），憑借其嚴格的量子力學基礎，能夠提供非常高的計算精度，因此廣泛應用于材料科學中的能量計算與結構優化。然而，dft方法在處理大規模材料體系時計算開銷極為龐大，尤其在進行大規模材料篩選時，其計算成本和時間成本使得該方法的應用范圍受到很大限制。

2、為了解決這一問題，近年來，基于數據驅動的機器學習方法，尤其是圖神經網絡，在材料科學領域逐漸嶄露頭角。與傳統的基于物理模型的方法相比，gnn方法通過模擬原子間的復雜關系，能夠有效地捕捉晶體結構的局部環境特征，從而預測材料的性質。尤其在處理具有高度非歐幾里得結構的分子和晶體系統時，圖神經網絡能夠直接在圖結構中進行建模，使得其在分子和晶體結構預測中表現出了顯著優勢。

3、現有技術如公告號為：cn117393089b的發明專利，為一種基于單模貝塞爾晶體相場模型的晶體演化模擬方法，涉及相場模型技術領域，包括以下步驟：通過貝塞爾函數和經典密度泛函模型構建單模貝塞爾晶體相場模型；將不同相的密度分布函數分別代入單模貝塞爾晶體相場模型，對不同相自由能最小值時的參量進行求解；通過公切線法根據不同相自由能最小值時的參量構建晶體相圖；通過傅里葉譜方法對晶體相場演化方程進行離散化，得到晶體相場迭代方程；根據晶體相圖和晶體相場迭代方程對晶體的演化過程進行模擬。基于貝塞爾函數擬合得到了兩點相關函數并以此為基礎結合經典密度泛函模型，構建了新的單模晶體相場模型。

4、現有技術如公告號為：cn112466411b的發明專利，為一種基于晶體拓撲學理論的晶體結構預測方法，涉及材料結構技術領域，方法包括：利用晶體拓撲學方法系統地、全面地搜索獲取能量穩定的晶體結構；獲得研究對象的力學穩定性；獲得研究對象的力學性質。對研究對象進行結構特征分析，并獲得不同拓撲類型的晶體結構。根據研究對象的能量穩定性、力學穩定性、力學性質獲得碳體系晶體結構性能分析的結果。

5、基于上述方案可見，現有技術在對晶體結構進行分析模擬時，往往采用需要消耗大量算力的模型或算法，并且只適用于特定的材料的相變過程，缺乏一定的通用性，在處理原子間復雜相互作用時，傳統的機器學習方法通常簡化了這些相互作用的建模，這導致了在能量預測和結構優化過程中，機器學習方法的預測精度較低，尤其在短程相互作用的建模上，可能無法準確反映原子間的排斥力和吸引力，影響了整體能量的預測精度，同時現有技術更關注晶體的幾何結構而忽略晶體的電子結構的影響，因此，目前晶體結構預測中存在因考慮不深入而造成的預測不準確問題。

技術實現思路

1、針對現有技術的不足，本發明提供了基于混合勢能深度學習模型的晶體結構預測方法及系統，為實現以上目的，本發明通過以下技術方案予以實現：基于混合勢能深度學習模型的晶體結構預測方法，包括：

2、在結構預測平臺輸入需預測材料的基礎信息，生成需預測材料的基礎信息特征值并進行合理性評估，獲得合理性評估結果后基于需預測材料的基礎信息特征值從結構預測平臺中調取符合需預測材料的各晶體結構數據集合并獲得各晶體結構的結構特征值。

3、基于各晶體結構的結構特征值，對各晶體結構原子間的局部環境進行對應的特征學習，輸出各晶體結構的初步能量，記為各晶體結構的神經網絡勢，并分析處理得到各晶體結構的神經網絡勢評估結果。

4、基于各晶體結構的神經網絡勢評估結果，篩分得到需預測材料的各穩定晶體結構，并計算各穩定晶體結構的原子間的短程相互作用信息，通過累加處理得到各穩定晶體結構的經驗勢。

5、將各穩定晶體結構的神經網絡勢和經驗勢進行綜合分析處理獲得各穩定晶體結構的總能量勢，并導入優化算法中進行迭代更新，輸出總能量勢最低的穩定晶體結構為需預測材料的目標晶體結構。

6、作為優選技術方案，所述在結構預測平臺輸入需預測材料的基礎信息，生成需預測材料的基礎信息特征值并進行合理性評估，具體過程為：

7、所述需預測材料的基礎信息包括需預測材料的原子種類總數、各種類原子的數量、各種類原子的電荷數、化學鍵種類總數、化學鍵數量、各種類化學鍵的鍵長和各種類化學鍵的鍵角。

8、從結構預測平臺中提取各種類化學鍵對應的參考鍵角和參考鍵長，與需預測材料的基礎信息進行共同分析處理生成需預測材料的基礎信息特征值，并與合理性評估閾值進行比對，得到需預測材料的合理性評估結果，若需預測材料的基礎信息特征值大于或等于合理性評估閾值，則判定需預測材料的合理性評估結果為合理，若需預測材料的基礎信息特征值小于合理性評估閾值，則判定需預測材料的合理性評估結果為不合理，并發送提醒信息至結構預測平臺。

9、作為優選技術方案，所述基于需預測材料的基礎信息特征值從結構預測平臺中調取符合需預測材料的各晶體結構數據集合并獲得各晶體結構的結構特征值，具體包括：

10、基于需預測材料的基礎信息特征值，與結構預測平臺中預存的各基礎信息特征值區間對應的各晶體結構數據集合進行映射匹配，獲得需預測材料的各晶體結構數據集合，所述需預測材料的各晶體結構數據集合包括各晶體結構的晶胞各邊邊長、晶胞角度、空間群符號和各原子坐標。

11、基于各晶體結構的空間群符號，與結構預測平臺中預存的各空間群符號所對應的對稱性系數進行映射匹配，獲得各晶體結構的對稱性系數，所述對稱性系數用于表征晶體結構的空間群對稱特征。

12、基于各晶體結構中的各原子坐標，分析處理得到各晶體結構的相關性系數，所述各晶體結構的相關性系數用于表征各晶體結構的有序程度。

13、綜合各晶體結構的晶胞各邊邊長、晶胞角度、對稱性系數和相關性系數進行處理分析，獲得各晶體結構的結構特征值，所述結構特征值用于描述晶體結構特征。

14、作為優選技術方案，所述對各晶體結構原子間的局部環境進行對應的特征學習，具體包括：

15、基于各晶體結構的結構特征值，與結構預測平臺中預存的各結構特征值區間對應的局部分割比例進行映射匹配，獲得各晶體結構的局部分割比例。

16、基于各晶體結構的局部分割比例對各晶體結構進行相對應的局部分割，獲得各晶體結構的各局部環境。

17、將各晶體結構轉化為圖結構輸入megnet模型，并將各晶體結構的各原子記為各節點，獲得各晶體結構的各節點的局部環境相互作用信息和整體環境相互作用信息，通過消息傳遞機制對各節點進行逐層更新，輸出各晶體結構的各節點的特征表示向量。

18、將各節點之間的相互作用記為邊向量，基于各邊向量連接的兩個節點的特征表示向量，通過圖卷積層進行迭代更新，輸出各晶體結構的各邊的特征表示向量。

19、作為優選技術方案，所述輸出各晶體結構的初步能量，具體包括：

20、基于各晶體結構的各節點的特征表示向量和各晶體結構的各邊的特征表示向量，通過圖卷積層處理后獲得各晶體結構的各節點的特征表示值，所述各節點的特征表示值用于描述各節點在對應的晶體結構中的局部環境信息和相互作用信息。

21、將各晶體結構的各節點的特征表示值輸入神經網絡模型中，處理分析獲得各晶體結構的初步能量，記為各晶體結構的神經網絡勢。

22、作為優選技術方案，所述分析處理得到各晶體結構的神經網絡勢評估結果，包括：

23、從結構預測平臺中提取神經網絡勢閾值，若某晶體結構的神經網絡勢大于或等于神經網絡勢閾值，則判定該晶體結構的神經網絡勢評估結果為不穩定。

24、若某晶體結構的神經網絡勢小于神經網絡勢閾值，則判定該晶體結構的神經網絡勢評估結果為穩定，并提取神經網絡勢評估結果為穩定的晶體結構記為各穩定晶體結構。

25、作為優選技術方案，所述計算各穩定晶體結構的原子間的短程相互作用信息，通過累加處理得到各穩定晶體結構的經驗勢，具體包括：

26、統計各穩定晶體結構的各原子坐標，分析處理得到各原子之間的空間距離，利用buckingham勢模型計算各穩定晶體結構的原子間的短程相互作用信息，累加各原子對的短程相互作用信息并將結果記為各穩定晶體結構的經驗勢。

27、作為優選技術方案，所述將各穩定晶體結構的神經網絡勢和經驗勢進行綜合分析處理獲得各穩定晶體結構的總能量勢，并導入優化算法中進行迭代更新，輸出總能量勢最低的穩定晶體結構為需預測材料的目標晶體結構，具體包括：

28、基于各穩定晶體結構的神經網絡勢和經驗勢，分析處理獲得各穩定晶體結構的總能量勢，并與結構預測平臺中預設的總能量勢閾值進行比對分析處理，統計總能量勢低于總能量勢閾值的穩定晶體結構并記為各預測晶體結構。

29、將各預測晶體結構的總能量勢導入貝葉斯優化算法中進行優化處理，當貝葉斯優化算法收斂時，輸出總能量勢最低的預測晶體結構作為需預測材料的目標晶體結構。

30、作為優選技術方案，所述分析處理獲得各穩定晶體結構的總能量勢,具體處理條件為：

31、；

32、其中，為第個穩定晶體結構的總能量勢，為第個穩定晶體結構的神經網絡勢，為第個穩定晶體結構的經驗勢，為能量平衡系數，為穩定晶體結構的編號，，為穩定晶體結構的總數。

33、另外，本發明還提供一種基于混合勢能深度學習模型的晶體結構預測系統，其特征在于，包括;

34、晶體結構特征模塊，用于在結構預測平臺輸入需預測材料的基礎信息，生成需預測材料的基礎信息特征值并進行合理性評估，獲得合理性評估結果后基于需預測材料的基礎信息特征值從結構預測平臺中調取符合需預測材料的各晶體結構數據集合并獲得各晶體結構的結構特征值。

35、神經網絡勢計算模塊，用于基于各晶體結構的結構特征值，對各晶體結構原子間的局部環境進行對應的特征學習，輸出各晶體結構的初步能量，記為各晶體結構的神經網絡勢，并分析處理得到各晶體結構的神經網絡勢評估結果。

36、經驗勢計算模塊，用于基于各晶體結構的神經網絡勢評估結果，篩分得到需預測材料的各穩定晶體結構，并計算各穩定晶體結構的原子間的短程相互作用信息，通過累加處理得到各穩定晶體結構的經驗勢。

37、目標晶體結構輸出模塊，用于將各穩定晶體結構的神經網絡勢和經驗勢進行綜合分析處理獲得各穩定晶體結構的總能量勢，并導入優化算法中進行迭代更新，輸出總能量勢最低的穩定晶體結構為需預測材料的目標晶體結構。

38、相對于現有技術，本發明的實施例至少具有如下有益效果：

39、（1）本發明提供了一種基于混合勢能深度學習模型的晶體結構預測方法及系統，結合了深度學習模型megnet與buckingham勢，能夠精確描述原子間的局部結構和相互作用，從而顯著提高晶體結構能量預測的精度。通過引入貝葉斯優化算法，優化了晶體結構的搜索過程，不僅提高了計算效率，還避免了傳統方法可能陷入的局部極小值問題，確保了能夠找到全局最優或接近最優的穩定結構。本發明方法在大規模材料篩選和新材料發現中具有顯著優勢，能夠在降低計算成本的同時，保持高精度的預測能力。此外，本發明的技術方案具有廣泛的適用性，能夠應用于多種材料體系的晶體結構預測。

40、（2）本發明通過綜合考慮需預測材料的原子組成合理性和化學鍵組成合理性鑒別需預測材料是否存在，再進行需預測材料的晶體結構預測，提高預測的準確性，減少不必要的資源浪費，提高預測效率。

41、（3）本發明通過獲得各晶體結構的結構特征值，提供了一種標準化的方法來描述和比較不同的晶體結構，從而快速確定晶體結構在材料空間中的位置，以獲得更細致的局部環境信息，幫助模型更好地理解和預測晶體結構中的相互作用和信息。

42、當然，實施本發明的任一產品并不一定需要同時達到以上所述所有優點。