一种高维拓扑结构的多尺度表征推理方法及系统

摘要: 本发明涉及人工智能与三维结构数据处理,尤其涉及一种应用于三维离散结构数字模型特征提取场景的高维拓扑结构的多尺度表征推理方法及系统。背景技术:1、在固态电解质材料...
一种高维拓扑结构的多尺度表征推理方法及系统

本发明涉及人工智能与三维结构数据处理,尤其涉及一种应用于三维离散结构数字模型特征提取场景的高维拓扑结构的多尺度表征推理方法及系统。

背景技术:

1、在固态电解质材料筛选、有机化合物性质预测以及工业装备状态评估等技术场景中,待分析对象通常以三维离散结构数字模型的形式存在。同一类对象所包含的结构单元数量、结构单元之间的空间距离以及邻接关系往往互不相同:一个立方晶胞可能包含数十个原子,另一个超胞可能包含数百个原子;一台压缩机转子的离散化模型可能包含三百余个结构节点,另一台同类装备则可能包含五百余个。后续技术分析模块通常要求接收维度固定的输入向量,因此需要将上述变规模的三维结构数据转换为统一形式,同时保持与实际几何邻接关系有关的信息。

2、一类常规处理方式对结构单元的自身属性进行统计汇总,得到均值、离散程度等组成描述符。此类描述符能够表征结构单元属性的总体分布,但由于其计算过程不引入结构单元的三维位置与邻接关系,对于属性组成完全相同而空间组织方式不同的两个对象,所得描述符趋于一致,难以区分。另一类常规处理方式对结构数据直接采用固定长度编码或末尾填充,当结构单元数量变化幅度较大时,需要额外处理节点对应关系与有效数据范围的界定问题。还有一类处理方式将结构单元作为节点、将邻接关系作为边构建图,经多层消息传递学习邻域关联后由图级读出得到固定长度向量。

3、上述处理过程存在以下技术问题:三维距离与邻接关系难以实际参与节点特征的更新,且不同消息传递深度所形成的邻域结构信息难以共同提供给后续分析,导致准确性低且适用性差。

技术实现思路

1、本发明所要解决的技术问题是:三维距离与邻接关系难以实际参与节点特征的更新,且不同消息传递深度所形成的邻域结构信息难以共同提供给后续分析,提升数据分析的准确性和适用性。

2、为解决上述技术问题,本发明提供一种高维拓扑结构的多尺度表征推理方法,包括:接收并校验结构对象的结构单元类型及三维坐标;根据所述三维坐标计算结构单元间距离,将所述结构单元间距离不超过截断距离的结构单元对作为邻接边并将所述结构单元间距离编码为边特征;基于所述结构单元类型生成初始节点特征,与所述邻接边、所述边特征构成空间结构图;针对所述空间结构图中的目标节点,计算所述目标节点、源节点特征及所述边特征在各注意力头内的关联得分,并将所述关联得分在所述目标节点的邻接边内归一化,得到注意力权重;依据所述注意力权重聚合各源节点消息,将所述各注意力头的输出拼接后与经残差映射的本层输入特征相加得到更新节点特征,将所述更新节点特征逐层传播至预设层数得到多层节点特征集合;对所述多层节点特征集合中每一层分别执行平均池化、最大池化及注意力池化,按固定读出顺序与层的先后顺序拼接,输出所述结构对象的多尺度结构表征。

3、本发明还提供一种高维拓扑结构的多尺度表征推理系统,包括:接收模块,用于接收并校验结构对象的结构单元类型及三维坐标;编码模块,用于根据所述三维坐标计算结构单元间距离,将所述结构单元间距离不超过截断距离的结构单元对作为邻接边并将所述结构单元间距离编码为边特征;构成模块,用于基于所述结构单元类型生成初始节点特征,与所述邻接边、所述边特征构成空间结构图;计算模块,用于针对所述空间结构图中的目标节点,计算所述目标节点、源节点特征及所述边特征在各注意力头内的关联得分,并将所述关联得分在所述目标节点的邻接边内归一化,得到注意力权重;拼接模块,用于依据所述注意力权重聚合各源节点消息,将所述各注意力头的输出拼接后与经残差映射的本层输入特征相加得到更新节点特征,将所述更新节点特征逐层传播至预设层数得到多层节点特征集合;池化模块,用于对所述多层节点特征集合中每一层分别执行平均池化、最大池化及注意力池化,按固定读出顺序与层的先后顺序拼接,输出所述结构对象的多尺度结构表征。

4、由于采用了将结构单元间距离经固定参考长度无量纲化并经距离编码层变换为边特征、再使该边特征与目标节点特征、源节点特征共同参与各注意力头内关联得分计算的机制,几何距离获得了一条通向消息权重的确定计算路径,解决了三维距离与邻接关系难以实际参与节点特征更新的问题,使得原子组成相同而键长分布不同、或拓扑连接相同而空间尺度不同的结构对象在节点特征更新阶段即产生可分的响应差异。

1.一种高维拓扑结构的多尺度表征推理方法,其特征在于,包括:

2.根据权利要求1所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述根据所述三维坐标计算结构单元间距离,将所述结构单元间距离不超过截断距离的结构单元对作为邻接边并将所述结构单元间距离编码为边特征,包括:

3.根据权利要求2所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述对具有周期描述的所述结构对象,依据所述截断距离与周期基矢确定待枚举的周期镜像范围,计算各周期镜像下的所述结构单元间距离,将所述结构单元间距离不超过所述截断距离的结构单元对连同镜像标识作为所述邻接边,包括:

4.根据权利要求1所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述针对所述空间结构图中的目标节点,计算所述目标节点、源节点特征及所述边特征在各注意力头内的关联得分,并将所述关联得分在所述目标节点的邻接边内归一化,得到注意力权重,包括:

5.根据权利要求1所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述依据所述注意力权重聚合各源节点消息,将所述各注意力头的输出拼接后与经残差映射的本层输入特征相加得到更新节点特征,将所述更新节点特征逐层传播至预设层数得到多层节点特征集合,包括:

6.根据权利要求5所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述以所述各注意力头的消息变换矩阵对所述源节点在本层的输入特征作线性变换,得到各所述邻接边的消息向量,包括:

7.根据权利要求1所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述对所述多层节点特征集合中每一层分别执行平均池化、最大池化及注意力池化,按固定读出顺序与层的先后顺序拼接,得到所述结构对象的多尺度结构表征,包括:

8.根据权利要求7所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述以所述对应层的节点评分函数计算各有效节点的池化权重,在同一所述结构对象的有效节点范围内归一化后对所述对应层的节点特征加权求和,得到所述对应层的注意力池化结果,包括:

9.根据权利要求1所述的高维拓扑结构的多尺度表征推理方法,其特征在于,所述方法还包括:

10.一种高维拓扑结构的多尺度表征推理系统,其特征在于,应用于权利要求1-9任一项所述的方法,包括:

11.根据权利要求10所述的系统,其特征在于,所述系统应用于固态电解质离子电导率预测、化学反应收率预测、化合物溶解度、色谱保留时间预测、工业装备能效或工业装备剩余寿命预测的应用场景。