一种硫化物超离子导体新晶体结构设计方法及系统

摘要: 本发明属于人工智能辅助材料设计与固态电解质,具体涉及一种硫化物超离子导体新晶体结构设计方法及系统,尤其涉及基于多模态联合变分自编码器、阴离子骨架传输通道拓扑特征...
一种硫化物超离子导体新晶体结构设计方法及系统

本发明属于人工智能辅助材料设计与固态电解质,具体涉及一种硫化物超离子导体新晶体结构设计方法及系统,尤其涉及基于多模态联合变分自编码器、阴离子骨架传输通道拓扑特征编码、空间群wyckoff位置约束联合先验采样、物理驱动fourier几何注意力机制以及持久同调拓扑不变量双通道融合编码的硫化物固态电解质新晶体结构自动化设计方法及系统。

背景技术:

1、硫化物固态电解质(sulfide solid electrolytes,sses)是全固态锂电池的核心功能材料,其室温离子电导率直接决定电池的功率密度与实用化前景。迄今已知的高性能硫化物固态电解质结构极为有限,主要集中在lgps(li10gep2s12, p42/nmc空间群,室温离子电导率约10-2 s/cm)和argyrodite(li6ps5x,f-43m空间群,室温离子电导率约10-3-10-2 s/cm)两大体系。寻找具有更高离子电导率或更优化学/电化学稳定性的亚稳态硫化物超离子导体新晶体结构,是全固态电池材料研究的核心瓶颈之一。

2、现有硫化物固态电解质新结构发现主要依赖以下技术路径:其一,实验试错法,研究人员基于已知lgps、argyrodite结构进行元素替换和掺杂实验,研究周期通常长达数月乃至数年,成本高昂,且极难跳出已知结构框架探索全新骨架拓扑;其二,第一性原理高通量筛选方法,基于密度泛函理论(dft)结合从头算分子动力学(aimd)计算对候选结构逐一评估,每个结构需数百cpu小时,在materials project等数据库中已知硫化物结构数量极为有限,对未知结构空间的覆盖率极低;其三,传统机器学习势能面方法,广义近似势(gap)、神经网络势(nnp)等机器学习势函数可加速分子动力学模拟,但本质上属于结构评估工具而非结构设计工具,无法主动生成全新晶体骨架。

3、当前最先进的晶体结构生成人工智能方法包括crystal diffusion variationalautoencoder(cdvae)、diffcsp、mattergen等扩散模型,以及flowmm、crystalflow等流匹配生成模型。这些方法将晶体结构表征为原子类型加三维坐标加晶格参数的组合向量,通过深度生成模型直接在全原子坐标空间进行结构生成。然而,上述方法存在以下共同局限:以原子三维坐标为主干编码,无法区分化学组成相近但传输通道拓扑结构差异显著的晶体,生成结构的高电导率命中率极低;缺乏阴离子骨架与传输通道拓扑的显式建模,决定硫化物离子电导率的核心是由s2-和卤素构成的阴离子骨架以及锂离子在其中的拓扑连通空隙,而非原子的绝对坐标位置;采样先验与物理约束相互独立,空间群对称性约束与高电导率性能目标在现有框架中无法实现双重约束的联合先验采样;此外,已知高性能硫化物大多为热力学亚稳态结构,而现有训练数据集以热力学稳定相为主,导致模型对亚稳态超离子导体的生成覆盖率极低。

技术实现思路

1、本发明的目的在于提供一种硫化物超离子导体新晶体结构设计方法及系统,以解决现有技术中通用人工智能模型难以捕捉硫化物固态电解质离子传输物理机制导致生成晶体结构高电导率命中率极低、以及多源异构特征无法统一映射为连续且物理意义明确的低维潜在空间从而无法有效指导结构反向生成的技术问题。

2、为实现上述目的,本发明采用以下技术方案:

3、本发明提供一种硫化物超离子导体新晶体结构设计方法,包括:

4、以公开晶体结构数据库及已发表文献为数据源,收集li/na/mg系硫化物晶体结构并标注离子电导率、激活能及热力学稳定性,筛选离子电导率大于第一电导率阈值的正样本与离子电导率小于第二电导率阈值的负样本,其中第一电导率阈值大于第二电导率阈值,形成带标签的二分类训练数据集;

5、对所述二分类训练数据集中每个晶体结构提取阴离子骨架并执行三维voronoi镶嵌,以瓶颈半径为阈值筛选锂离子可迁移通道并将所述锂离子可迁移通道转化为传输通道有向图,得到每个晶体对应的传输通道图;

6、基于所述传输通道图与晶体数值特征,通过跨模态注意力机制融合后经变分推断映射至低维连续潜在空间,设置结构重建头与电导率预测头并以联合损失端到端训练,得到多模态联合变分自编码器及对应的潜在空间;

7、将所述二分类训练数据集中离子电导率大于所述第一电导率阈值的正样本结构映射至所述潜在空间并执行聚类分析以定位正样本聚类区域,以所述正样本聚类区域为先验执行目标导向采样并通过解码器反向解码为候选晶体结构,对所述候选晶体结构依次执行三级筛选与机器学习分子动力学模拟验证,输出经验证的候选新晶体结构报告。

8、可选地,所述对所述二分类训练数据集中每个晶体结构提取阴离子骨架并执行三维voronoi镶嵌,以瓶颈半径为阈值筛选锂离子可迁移通道并将所述锂离子可迁移通道转化为传输通道有向图,得到每个晶体对应的传输通道图,包括:

9、从所述二分类训练数据集中每个晶体结构中识别并提取阴离子离子坐标集合,构建纯阴离子子晶格;对所述纯阴离子子晶格采用zeo++或voro++引擎执行三维voronoi镶嵌,自动识别连续的空隙节点及相邻空隙节点间的瓶颈通道,以瓶颈半径大于预设通道筛选阈值为通道可通行性筛选条件,提取构成锂离子可迁移路径的全部通道集合,得到空隙网络;

10、基于所述空隙网络,将所述空隙网络中的空隙节点映射为有向图节点,将相邻空隙间的迁移通道映射为有向图边,对所述有向图边分别编码对应通道的瓶颈半径、通道长度及扩散能垒估算值作为边权重,得到每个晶体对应的传输通道图。

11、可选地,所述基于所述传输通道图与晶体数值特征,通过跨模态注意力机制融合后经变分推断映射至低维连续潜在空间,设置结构重建头与电导率预测头并以联合损失端到端训练,得到多模态联合变分自编码器及对应的潜在空间,包括:

12、根据所述传输通道图,以消息传递图神经网络执行图嵌入,输出图级向量;基于晶格参数及阴离子配位多面体类型分布、锂位点分数坐标集合组成的晶体数值特征序列,以位置编码transformer执行编码,输出配位向量;

13、基于所述图级向量和所述配位向量,通过跨模态注意力机制执行特征对齐与融合,使图结构特征与晶格特征相互调制,得到融合向量;

14、基于所述融合向量,通过变分推断将所述融合向量映射为低维连续潜在向量,在解码器中设置结构重建头与电导率预测头,以重建损失、kl散度损失与电导率条件损失的联合损失进行端到端训练,得到多模态联合变分自编码器及对应的潜在空间。

15、可选地,所述将所述二分类训练数据集中离子电导率大于所述第一电导率阈值的正样本结构映射至所述潜在空间并执行聚类分析以定位正样本聚类区域,以所述正样本聚类区域为先验执行目标导向采样并通过解码器反向解码为候选晶体结构,对所述候选晶体结构依次执行三级筛选与机器学习分子动力学模拟验证,输出经验证的候选新晶体结构报告,其中目标导向采样与解码部分,包括:

16、将所述二分类训练数据集中全部离子电导率大于所述第一电导率阈值的正样本结构通过所述多模态联合变分自编码器映射至所述潜在空间,得到各正样本结构对应的低维连续潜在向量,获得正样本区域的点云分布,对所述正样本区域的点云分布中全部低维连续潜在向量执行高斯混合模型拟合,识别所述潜在空间中正样本聚类中心及其协方差,得到正样本聚类分布;

17、基于所述正样本聚类分布为先验,结合贝叶斯优化以电导率预测头的输出预测电导率为目标函数,以贝叶斯优化采集函数在所述潜在空间中指导采样,得到新的低维连续潜在向量;

18、基于所述新的低维连续潜在向量,通过解码器将所述新的低维连续潜在向量反向解码为晶格参数、阴离子骨架原子坐标及锂位点坐标,输出候选硫化物晶体结构集合。

19、可选地,所述对所述候选晶体结构依次执行三级筛选与机器学习分子动力学模拟验证,输出经验证的候选新晶体结构报告,包括:

20、对所述候选硫化物晶体结构集合中每个候选硫化物晶体结构执行第一级几何合理性检验,计算每个候选硫化物晶体结构中全部相邻原子对之间的原子间距离,排除存在原子间距离小于预设键长下限阈值的候选硫化物晶体结构,得到通过第一级检验的第一候选结构集合;

21、对所述第一候选结构集合中每个晶体结构调用gnome或m3gnet机器学习势能面模型执行结构弛豫,计算弛豫后每个晶体结构相对于参考相的能量凸包距离,排除能量凸包距离大于预设稳定性阈值的晶体结构,得到通过第二级热力学稳定性预估的第二候选结构集合;

22、对所述第二候选结构集合中每个晶体结构逐一检验元素组成,排除元素组成中包含预设禁用元素列表中任一元素的晶体结构,得到通过第三级合成可达性评分的第三候选结构集合;

23、根据所述第三候选结构集合,对所述第三候选结构集合中每个晶体结构使用基于chgnet或mace势函数的机器学习分子动力学在预设温度条件下执行预设时长的短轨迹模拟,计算每个晶体结构中锂离子均方位移,通过爱因斯坦关系将所述锂离子均方位移外推至298 k离子电导率,得到每个晶体结构对应的预测电导率值;基于所述预测电导率值、每个晶体结构对应的晶体结构cif文件及传输通道可视化图,输出经验证的候选新晶体结构报告。

24、可选地,所述以所述正样本聚类区域为先验执行目标导向采样并通过解码器反向解码为候选晶体结构之前,还包括以下前置步骤,以构建空间群约束的采样先验,包括:

25、从已知固态电解质文献中归纳离子电导率满足预设电导率要求的参考硫化物所对应的有效空间群集合,标注所述有效空间群集合中各空间群的wyckoff位置表,基于所述二分类训练数据集中各空间群出现频次赋予各空间群对应的先验权重,对所述有效空间群集合之外的空间群赋予第三权重,其中所述第三权重小于所述有效空间群集合中任一空间群的先验权重,得到带权先验知识库;

26、基于所述带权先验知识库,对所述二分类训练数据集中每个离子电导率大于所述第一电导率阈值的正样本结构的潜在向量按空间群子集拟合正样本条件高斯混合分布,以所述带权先验知识库中各空间群对应的先验权重加权组合各空间群子集的正样本条件高斯混合分布,并叠加以所述第三权重覆盖所述有效空间群集合之外空间群的非零覆盖分布,得到空间群-电导率联合先验分布;

27、基于所述空间群-电导率联合先验分布结合贝叶斯优化进行定向采样,得到携带空间群标签的候选潜在向量,在解码器中引入wyckoff自由度感知选择性投影层,对无自由度坐标分量强制投影至晶体学约束值,对有自由度坐标分量保留解码器自由输出值,通过解码器将所述候选潜在向量反向解码,输出空间群约束的候选硫化物晶体结构集合。

28、可选地,所述通过解码器将所述候选潜在向量反向解码,输出空间群约束的候选硫化物晶体结构集合之后,还包括:

29、使用spglib对所述空间群约束的候选硫化物晶体结构集合中每个晶体结构执行对称性一致性验证,记录每个晶体结构的验证结果、未通过验证结构的坐标偏差及所述wyckoff自由度感知选择性投影层的对称性保持率,得到对称性验证记录;对所述空间群约束的候选硫化物晶体结构集合中通过对称性一致性验证的结构执行热力学稳定性预筛,调用gnome或m3gnet机器学习势能面模型计算每个通过验证结构相对于参考相的能量凸包距离,保留能量凸包距离小于预设稳定性阈值的结构,得到对称合规的候选结构集合;

30、根据所述对称性验证记录中记录的未通过验证结构的坐标偏差,将所述坐标偏差作为梯度信号微调所述wyckoff自由度感知选择性投影层的自由度边界参数,得到更新后的自由度边界参数;基于所述对称性验证记录中记录的各空间群子集生成成功率,以各空间群子集生成成功率更新所述空间群-电导率联合先验分布中对应空间群的先验权重,得到更新后的先验权重;

31、基于所述对称合规的候选结构集合、所述更新后的自由度边界参数及所述更新后的先验权重,以所述更新后的自由度边界参数替换所述wyckoff自由度感知选择性投影层中原有自由度边界参数,以所述更新后的先验权重替换所述空间群-电导率联合先验分布中原有先验权重,循环执行采样-解码-验证,直至所述对称性保持率不低于预设对称性保持率阈值且所述对称合规的候选结构集合中结构数量不低于预设结构数量阈值,形成闭环优化流程。

32、可选地,基于所述传输通道图与晶体数值特征,通过跨模态注意力机制融合后经变分推断映射至低维连续潜在空间,设置结构重建头与电导率预测头并以联合损失端到端训练,得到多模态联合变分自编码器及对应的潜在空间,还包括:

33、对每条传输通道边计算分数坐标位移向量、瓶颈半径和通道长度,对所述分数坐标位移向量、所述瓶颈半径和所述通道长度执行多尺度fourier展开与径向基函数展开,将展开结果拼接为每条传输通道边对应的通道几何特征向量,汇总全部传输通道边的通道几何特征向量,得到物理驱动几何特征集合;

34、基于所述物理驱动几何特征集合,将每条传输通道边对应的所述通道几何特征向量压缩为标量几何偏置并以加性方式注入跨模态注意力权重,将注意力头划分为几何感知头与语义感知头,将所述几何感知头输出与所述语义感知头输出拼接后执行线性投影,得到引入几何偏置的跨模态注意力层;

35、基于所述引入几何偏置的跨模态注意力层,以完整硫化物数据集执行预训练,得到预训练后的多模态联合变分自编码器;以含置信度标注的亚稳态硫化物结构数据集对所述预训练后的多模态联合变分自编码器执行微调,引入以所述含置信度标注的亚稳态硫化物结构数据集中各样本对应的置信度权重调制的动态亚稳态增强损失,得到亚稳态感知的多模态联合变分自编码器及对应的潜在空间。

36、可选地,构建所述亚稳态硫化物结构数据集,包括:

37、筛选能量凸包距离在零至预设亚稳态阈值之间的含li/na/mg硫化物亚稳态结构,对所述含li/na/mg硫化物亚稳态结构中无实测电导率的结构执行机器学习分子动力学模拟,计算锂离子均方位移并通过爱因斯坦关系外推为预测电导率,得到亚稳态结构预测电导率集合;

38、基于所述亚稳态结构预测电导率集合,根据所述机器学习分子动力学模拟轨迹的预测不确定性度量值计算每个亚稳态结构对应的置信度权重,将每个亚稳态结构对应的预测电导率与所述置信度权重组合为软标签,输出含置信度标注的亚稳态硫化物结构数据集;

39、基于所述含置信度标注的亚稳态硫化物结构数据集,以每个样本对应的所述置信度权重对置信度权重低于预设置信度阈值的样本的损失贡献执行自动降权,以线性预热策略逐步增大所述动态亚稳态增强损失的损失权重系数,得到经动态亚稳态增强损失优化的训练策略参数及所述含置信度标注的亚稳态硫化物结构数据集。

40、可选地,所述对所述二分类训练数据集中每个晶体结构提取阴离子骨架并执行三维voronoi镶嵌,以瓶颈半径为阈值筛选锂离子可迁移通道并将所述锂离子可迁移通道转化为传输通道有向图,得到每个晶体对应的传输通道图之后,还包括对所述传输通道图执行持久同调特征提取,包括就:

41、以所述传输通道图中的voronoi空隙节点坐标集合为持久同调滤流点云,以瓶颈半径的倒数为拓扑距离,截断持久度低于预设稳定性截断阈值的噪声点对,对间距小于预设近简并距离阈值的近简并空隙位执行几何中心聚合,执行维度至betti-2的持久同调计算,输出零维、一维、二维持久图集合;

42、基于所述零维、一维、二维持久图集合,对每个持久图将出生-死亡点对构建为以wasserstein-2距离为边权重的完全图,在所述完全图上执行两层图注意力计算,输出各点对的上下文感知嵌入,通过持久度加权求和池化将所述上下文感知嵌入聚合为单维度拓扑感知向量,将零维、一维、二维三个维度的拓扑感知向量拼接,得到全局拓扑特征。

43、可选地,所述得到全局拓扑特征之后,还包括基于所述全局拓扑特征构建具有拓扑语义的潜在空间,包括:

44、基于所述全局拓扑特征与消息传递图神经网络输出的图级向量,以同一晶体结构的图级向量与全局拓扑特征对为正样本对、以批次内其余样本的交叉对为负样本,计算infonce对比损失,以所述infonce对比损失驱动所述图级向量与所述全局拓扑特征在潜在空间中互补对齐,得到对齐后的双通道特征;

45、基于所述对齐后的双通道特征,经跨通道注意力融合后通过变分推断映射为低维潜在向量;在总训练损失中加入拓扑一致性正则化项,所述拓扑一致性正则化项约束解码重建结构在一维持久图维度保持持久度高于预设持久度阈值的点对,得到具有拓扑语义的潜在空间。

46、本发明还提供一种硫化物超离子导体新晶体结构设计系统,包括:

47、数据采集与标注模块,用于以公开晶体结构数据库及已发表文献为数据源,收集li/na/mg系硫化物晶体结构并标注离子电导率、激活能及热力学稳定性,筛选离子电导率大于第一电导率阈值的正样本与离子电导率小于第二电导率阈值的负样本,其中第一电导率阈值大于第二电导率阈值,形成带标签的二分类训练数据集;

48、传输通道图构建模块,用于对所述二分类训练数据集中每个晶体结构提取阴离子骨架并执行三维voronoi镶嵌,以瓶颈半径为阈值筛选锂离子可迁移通道并将所述锂离子可迁移通道转化为传输通道有向图,得到每个晶体对应的传输通道图;

49、多模态联合变分自编码器训练模块,用于基于所述传输通道图与晶体数值特征,通过跨模态注意力机制融合后经变分推断映射至低维连续潜在空间,设置结构重建头与电导率预测头并以联合损失端到端训练,得到多模态联合变分自编码器及对应的潜在空间;

50、候选结构生成与验证模块,用于将所述二分类训练数据集中离子电导率大于所述第一电导率阈值的正样本结构映射至所述潜在空间并执行聚类分析以定位正样本聚类区域,以所述正样本聚类区域为先验执行目标导向采样并通过解码器反向解码为候选晶体结构,对所述候选晶体结构依次执行三级筛选与机器学习分子动力学模拟验证,输出经验证的候选新晶体结构报告

51、本发明具有以下有益效果:

52、1、通过阴离子骨架voronoi空隙图与传输通道图的显式建模,模型能够区分具有相近化学组成但传输通道拓扑差异显著的晶体结构,突破了通用人工智能模型以坐标为主干编码的局限,预期高电导率候选结构命中率较传统基于原子坐标的生成方法显著提升,显著降低候选结构的机器学习分子动力学验证成本;

53、2、多模态联合变分自编码器将图结构(传输通道拓扑)、序列(晶格参数/配位环境)和持久同调拓扑不变量三类异构特征协同嵌入同一连续潜在空间,为后续采样和逆设计提供物理意义明确的特征基础,解决了多源异构特征协同编码的工程难题;

54、3、空间群wyckoff约束与高电导率高斯混合模型联合先验使生成过程从无约束盲目采样转变为物理对称约束与性能目标双维度定向搜索,预期在有效空间群集合内的候选结构对称性保持率超过90%,大幅降低后处理修正成本;

55、4、通过亚稳态专项数据集构建与两阶段课程训练,模型对热力学亚稳态高电导率结构的生成覆盖率预期较通用生成模型显著提升,为发现类lgps全新亚稳态骨架拓扑提供系统性方法支撑;

56、5、持久同调betti-1/betti-2特征的显式建模使研究人员可通过指定目标拓扑向量直接靶向生成具备特定传输机制的新型骨架拓扑,实现了从盲目生成后筛选到目标拓扑引导生成的范式跃升,并以持久条形码可视化提供可解释的拓扑推荐依据。