基于大模型与智能体的固态制冷材料智能筛选方法及设备

本技术涉及数据处理，尤其涉及一种基于大模型与智能体的固态制冷材料智能筛选方法及设备。

背景技术：

1、全球制冷与空调系统能耗约占总电力消耗的五分之一，且在气候变化驱动下预计未来数十年进一步翻倍。传统蒸汽压缩制冷技术广泛依赖氢氟碳化物（hfcs）和氢氯氟碳化物（hcfcs）等高全球变暖潜能值（gwp）制冷剂。《蒙特利尔议定书》基加利修正案已将hfc纳入管控并推动全球逐步削减，为低碳替代制冷技术形成持续政策牵引。

2、固态制冷效应（solid-state caloric effects,sce）是一类利用功能材料在外部驱动场作用下发生可逆相变，产生显著的等温熵变（δs）和绝热温变（δtad），为制冷循环提供热泵效应的物理机制。根据驱动场类型，固态制冷效应可细分为四类：电卡效应（electrocaloric effect,ece，驱动场：电场e，单位kv/cm）、磁卡效应（magnetocaloriceffect,mce，驱动场：磁场h，单位t）、弹卡效应（elastocaloric effect,ece，驱动场：单轴应力/应变σ/ε，单位mpa/%）及压卡效应（barocaloric effect,bce，驱动场：静水压力p，单位gpa）。典型固态制冷材料体系包括：钙钛矿铁电陶瓷（batio3基、pmn-pt系，ece）、铅基弛豫铁电体（pzt-pt系，ece）、聚偏氟乙烯（pvdf）聚合物薄膜（ece）、钆基合金与la(fe,si)13系（mce）、niti形状记忆合金（ece）及有机－无机混合钙钛矿（bce）等。相较于传统蒸汽压缩制冷，固态制冷器件全固态工作、零制冷剂泄漏，与薄膜沉积和微纳加工工艺天然兼容，在微电子器件散热、柔性可穿戴冷却及医疗精密控温等场景具有独特竞争优势，被公认为最具产业化前景的新型固态制冷技术之一。

3、然而，当前固态相变制冷材料面临多重深层次物理与工程瓶颈：

4、（1）强效应与可用性的制约关系：强一阶相变虽能在相变温度附近产生巨大熵变，但往往伴随高驱动场需求（电卡：接近材料击穿场强；磁卡：需要超导磁体级别强磁场；弹卡/压卡：接近材料疲劳极限）、有效工作温区窄（通常仅±5~10k）以及材料循环疲劳问题。如何在维持高δt的同时拓宽有效温区、降低驱动场阈值与疲劳风险，是当前固态制冷材料设计的核心约束矛盾。

5、（2）多目标性能难以兼顾：理想制冷材料需同时满足：高δs/δt、低驱动场阈值、低热滞后、宽工作温区、高循环寿命、良好热导率及可加工性。这些指标之间存在复杂的相互制约关系，形成实质上的“性能不可能三角”。

6、（3）化学空间庞大：可能的元素组合、掺杂配比、晶体结构与加工参数形成天文数量级的候选空间，传统“经验试错法”从概念提出到商业化往往需要10至20年，成本极高、效率极低。

7、（4）领域知识高度碎片化：关键实验数据（δs、δt、热滞、驱动场、循环寿命、测试条件等）散落于海量非结构化文献中，且测试条件各异、难以直接比较，导致经验积累效率低下。

技术实现思路

1、本技术提出一种基于大模型与智能体的固态制冷材料智能筛选方法及设备，能够解决背景技术中所存在问题之一。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供了一种基于大模型与智能体的固态制冷材料智能筛选方法，包括：

4、获得固态相变制冷材料筛选任务；

5、以及，基于所建立的固态制冷材料跨模态知识库，利用所构建的代理模型，将所述筛选任务按照有向无环图工作流顺序进行多级计算验证，得到所述筛选任务的处理结果，其中，所述有向无环图工作流包含：候选生成以及逐级计算筛选与评估推荐，候选生成的输出作为逐级计算筛选与评估推荐的输入，所述代理模型的约束机制通过在物理约束优化采集函数中嵌入相界感知权重实现，所述相界感知权重为候选材料的状态点到相图相界的归一化距离的核函数，并随该归一化距离的减小而增大，所述相图相界由相区分类器对成分-状态空间划分后相邻区域的稳定相标签变化确定；所述物理约束优化采集函数由所述代理模型的预测均值与预测不确定度共同决定；所述相界感知权重以乘性方式作用于该标准贝叶斯优化采集函数；从而在每一轮选取下一批进入高保真计算的候选之前，对候选的采样优先级进行重分布。

6、在第一方面的一种可能的设计方式中，所述候选生成的处理包括：

7、基于所述筛选任务进行关键词检索及稠密向量检索；

8、对关键词检索与稠密向量检索的结果进行材料知识约束过滤；

9、融合材料知识约束过滤后的关键词检索与稠密向量检索的排序结果；

10、以及，对融合后的top-n结果进行二次精排，得到候选生成的结果。

11、在第一方面的一种可能的设计方式中，所述候选生成采用迭代检索机制，将复杂问题拆分为若干可验证的子问题，并在每轮检索后，根据证据覆盖度、冲突情况和缺失字段自动生成下一轮检索查询，直至达成迭代收敛条件。

12、在第一方面的一种可能的设计方式中，逐级计算筛选的处理包括：

13、采用轻量级机器学习模型进行第一层级l1的快速筛选；

14、在快速筛选基础上，基于第一性原理进行第二层级l2的精确筛选；

15、在精确筛选及人工审批门基础上，基于分子动力学模拟进行第三层级l3的高保真计算。

16、在第一方面的一种可能的设计方式中，在不同计算精度的层级之间，采用多保真机器学习方法进行偏差校正。

17、在第一方面的一种可能的设计方式中，所述代理模型的多目标评分函数为：

18、

19、

20、其中，为候选材料综合评分，取值范围为0至1；为性能分；为稳定性分；为可制备性分；为新颖性分；为成本分；至为可配置权重。

21、在第一方面的一种可能的设计方式中，所述基于大模型与智能体的固态制冷材料智能筛选方法还包括：

22、将多级计算验证产生的计算数据回写至固态制冷材料跨模态知识库，并基于所述计算数据更新代理模型，形成持续进化的闭环。

23、在第一方面的一种可能的设计方式中，所述物理约束优化采集函数为：

24、

25、

26、

27、其中，为物理约束采集函数；为标准贝叶斯优化采集函数；为相界感知权重函数；为候选材料成分点；为候选成分点到相图边界boundary的距离；为带宽参数；为候选材料的归一化状态向量，其中为成分变量，为温度，为驱动场，为压力；实际实施时，仅保留目标体系所需的维度；为相界点集，为其中第个相界点；为第维的尺度归一化参数，取该维允许范围、训练数据标准差或预设物理尺度；为探索下限，用于使远离当前估计相界的区域仍保留非零采样概率为经非负化处理的标准贝叶斯优化采集函数，取期望改进，或经非负变换的置信上界；，且距离越小，越大。

28、在第一方面的一种可能的设计方式中，所述固态制冷材料跨模态知识库基于开放数据库、领域文献以及项目自产计算结果构建；所述基于大模型与智能体的固态制冷材料智能筛选方法还包括：对开放数据库、领域文献以及项目自产计算结果中的数据进行预处理，得到所述固态制冷材料跨模态知识库的数据集，所述预处理包括：多模态数据预处理、基于指令微调大语言模型的实体关系抽取，以及，交叉验证与置信度评分；所述固态制冷材料跨模态知识库在逻辑层面包括：材料数据域、工作流记录域以及证据链域。

29、第二方面，提供了一种电子设备，所述电子设备包括：处理器，以及与所述处理器耦合的存储器，所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中存储的所述计算机程序，以使得所述电子设备执行如第一方面中任一种可能实现方式的所述基于大模型与智能体的固态制冷材料智能筛选方法。

30、有益效果：

31、基于上述技术方案，通过融合领域专用知识库构建、代理模型、物理约束主动学习与多保真计算筛选，实现对固态制冷材料候选的高效发现、可解释评估，缩短了从研究想法到高可信候选材料筛选报告的周期，并使所有推荐结论可追溯至具体文献证据、计算参数与模型版本，为固态制冷材料的加速计算发现提供系统性解决方案。