嵌段共聚物定向自组装终态形貌的预测方法及装置、电子设备和存储介质
本公开涉及软物质物理与计算材料领域,尤其涉及一种嵌段共聚物定向自组装终态形貌的预测方法及装置、电子设备和存储介质。
背景技术:
1、嵌段共聚物(block copolymer, bcp)由两种或多种化学组成不同、通过共价键连接的高分子链段构成,因其在纳米尺度可形成规则的层状、柱状、球状、双连续网络等多种自组装形貌,被广泛用于纳米光刻模板、纳米多孔膜、光子晶体、能量存储与转换等领域。嵌段共聚物定向自组装(directed self-assembly, dsa)通过与沟槽模板、化学图案模板等引导结构相耦合,可实现亚20nm甚至更小尺寸的有序纳米图形。
2、近年来,伴随机器学习在材料科学领域的快速发展,相关技术尝试使用神经网络等方法对嵌段共聚物的相态进行自动识别、从实验或模拟图像中预测形貌与缺陷密度。然而,相关技术中,现有的模型多聚焦于相态识别(如层状、柱状、球状等类别)或预测域间距等少数标量参数,难以直接输出可用于后续工艺仿真或结构分析的完整空间密度场/相场。这使得模型在工程流程中的可直接利用度有限,仍需额外重构或简化。
技术实现思路
1、有鉴于此,本公开提出了一种嵌段共聚物定向自组装终态形貌的预测方案。
2、根据本公开的一方面,提供了一种嵌段共聚物定向自组装终态形貌的预测方法,包括:基于预设的嵌段共聚物体系和定向自组装场景,建立相应的分子模型和相互作用势;针对多个预设形貌调控参数,分别选取多个取值,形成多个参数点;基于所述分子模型和相互作用势,对每个参数点以随机初始构型为初始状态进行分子动力学模拟,直至所述嵌段共聚物体系达到形貌稳定或预设的统计量收敛,得到每个参数点对应的第一终态形貌场;基于所述参数点和所述第一终态形貌场,对预设的模型进行训练;采用训练后的模型,对目标形貌调控参数进行预测,得到目标终态形貌场。
3、在一种可能的实现方式中,所述预设形貌调控参数包括聚合物参数、模板几何参数和退火工艺参数中的至少一种。
4、在一种可能的实现方式中,针对多个预设形貌调控参数,分别选取多个取值,形成多个参数点,包括:采用预设的采样方法,在各所述预设形貌调控参数的取值范围内分别选取多个取值节点,将各所述预设形貌调控参数的取值节点进行组合,形成多个所述参数点。
5、在一种可能的实现方式中,所述方法还包括:对于每个参数点,将所述聚合物参数、模板几何参数和退火工艺参数分别按预设的顺序拼接为一维特征向量;将多个一维特征向量组合为输入特征向量。
6、在一种可能的实现方式中,所述基于所述参数点和所述第一终态形貌场,对预设的模型进行训练,包括:将多个样本数据划分为训练集、验证集和测试集,每个样本数据包括所述输入特征向量和所述参数点对应的第一终态形貌场;以所述输入特征向量作为输入特征,以所述第一终态形貌场作为输出标签,基于所述训练集,对预设的模型进行训练。
7、在一种可能的实现方式中,所述方法还包括:构建复合损失函数,所述复合损失函数包括数值误差项和物理约束项;基于所述验证集,对所述复合损失函数进行优化。
8、在一种可能的实现方式中,所述方法还包括:根据所述模型在所述验证集的各参数点处的预测误差或不确定性估计,选取多个参数点进行补充分子动力学模拟,将模拟后的数据加入所述训练集中,重新训练所述模型。
9、根据本公开的另一方面,提供了一种嵌段共聚物定向自组装终态形貌预测装置,包括构建模块:用于基于预设的嵌段共聚物体系和定向自组装场景,建立相应的分子模型和相互作用势;取值模块:用于针对多个预设形貌调控参数,分别选取多个取值,形成多个参数点;模拟模块:用于基于所述分子模型和相互作用势,对每个参数点以随机初始构型为初始状态进行分子动力学模拟,直至所述嵌段共聚物体系达到形貌稳定或预设的统计量收敛,得到每个参数点对应的第一终态形貌场;训练模块:用于基于所述参数点和所述第一终态形貌场,对预设的模型进行训练;预测模块:用于采用训练后的模型,对目标形貌调控参数进行预测,得到目标终态形貌场。
10、在一种可能的实现方式中,所述预设形貌调控参数包括聚合物参数、模板几何参数和退火工艺参数中的至少一种。
11、在一种可能的实现方式中,所述取值模块,用于采用预设的采样方法,在各所述预设形貌调控参数的取值范围内分别选取多个取值节点,将各所述预设形貌调控参数的取值节点进行组合,形成多个所述参数点。
12、在一种可能的实现方式中,所述装置还包括:特征拼接模块,用于对于每个参数点,将所述聚合物参数、模板几何参数和退火工艺参数分别按预设的顺序拼接为一维特征向量;将多个一维特征向量组合为输入特征向量。
13、在一种可能的实现方式中,所述训练模块,用于将多个样本数据划分为训练集、验证集和测试集,每个样本数据包括所述输入特征向量和所述参数点对应的第一终态形貌场;以所述输入特征向量作为输入特征,以所述第一终态形貌场作为输出标签,基于所述训练集,对预设的模型进行训练。
14、在一种可能的实现方式中,所述装置还包括:优化模块,用于构建复合损失函数,所述复合损失函数包括数值误差项和物理约束项;基于所述验证集,对所述复合损失函数进行优化。
15、在一种可能的实现方式中,所述装置还包括:重新训练模块,用于根据所述模型在所述验证集的各参数点处的预测误差或不确定性估计,选取多个参数点进行补充分子动力学模拟,将模拟后的数据加入所述训练集中,重新训练所述模型。
16、根据本公开另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
17、根据本公开另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
18、在本公开实施例中,基于预设的嵌段共聚物体系和定向自组装场景,建立相应的分子模型和相互作用势;针对多个预设形貌调控参数,分别选取多个取值,形成多个参数点;基于所述分子模型和相互作用势,对每个参数点以随机初始构型为初始状态进行分子动力学模拟,直至所述嵌段共聚物体系达到形貌稳定或预设的统计量收敛,得到每个参数点对应的第一终态形貌场;基于所述参数点和所述第一终态形貌场,对预设的模型进行训练;采用训练后的模型,对目标形貌调控参数进行预测,得到目标终态形貌场。通过使用本公开的方法,能够高效快速地对嵌段共聚物定向自组装终态形貌进行预测。
19、在本公开实施例中,通过以随机初始构型作为每个参数点分子动力学模拟的起始状态,能够确保同一参数点下多次重复模拟所得自组装结构的一致性和可靠性;通过将各参数点及其对应的形貌场作为训练数据输入预设的模型并进行训练,能够实现自组装形貌的快速预测;通过直接输出目标终态形貌场,便于后续直接分析缺陷分布、取向序、域尺寸等。
20、根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
1.一种嵌段共聚物定向自组装终态形貌的预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预设形貌调控参数包括聚合物参数、模板几何参数和退火工艺参数中的至少一种。
3.根据权利要求1所述的方法,其特征在于,针对多个预设形貌调控参数,分别选取多个取值,形成多个参数点,包括:
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述基于所述参数点和所述第一终态形貌场,对预设的模型进行训练,包括:
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
8.一种嵌段共聚物定向自组装终态形貌预测装置,其特征在于,包括:
9.一种非易失性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序,或者承载有计算机程序的非易失性计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com