一种基于量子-复值混合神经网络的合金相结构预测系统
本发明属于合金性能预测与人工智能交叉,具体涉及一种基于量子-复值混合神经网络的合金相结构预测系统,适用于各类合金的相结构快速、精准预测,为合金材料设计、性能优化提供技术支撑。
背景技术:
1、合金的相结构是决定其力学、物理、化学性能的核心因素,准确预测合金相结构对于缩短合金研发周期、降低研发成本、优化合金成分设计具有重要意义。传统的合金相结构预测方法主要依赖于经验公式、相图分析和大量实验验证,存在预测精度有限、效率低下、适用范围较窄等问题,难以满足现代合金材料高效研发的需求。
2、随着人工智能技术的发展,机器学习、深度学习方法逐渐应用于合金相结构预测领域,通过构建数据集和训练模型实现相结构的快速预测。但现有基于深度学习的预测方法多采用传统实值神经网络,存在对合金元素特征提取不充分、信息损失严重、模型泛化能力不足等缺陷。
3、量子神经网络凭借其强大的并行计算能力和对复杂数据的表征能力,为解决上述问题提供了新的思路,而复值神经网络能够有效保留数据的相位信息,减少信息损失,完美适配量子计算全程在于复数域中的特征,将两者结合可充分发挥各自优势。目前,尚未有将量子神经网络与复值神经网络结合,结合多途径数据集构建,实现合金相结构高精度、高泛化性预测的技术方案,因此,亟需一种兼顾精度与泛化能力的合金相结构预测方法。
技术实现思路
1、对现有技术中合金相结构预测精度低、效率低、泛化能力不足的问题,本发明提供一种基于量子-复值混合神经网络的合金相结构预测系统,通过多途径构建高质量数据集,结合量子神经网络与复值神经网络的优势,实现合金相结构的精准预测,同时提升模型的泛化性能。
2、为了实现上述目的,本发明采用了如下技术方案:
3、步骤1:构建合金相结构预测相关数据集
4、通过实验、模拟、文献调研和数据库检索等途径,全面收集合金的成分组成信息以及对应的相结构特征信息;其中,合金成分组成信息包括各合金元素的种类及所占百分比,相结构特征信息包括相的类型;基于收集到的信息,建立合金相结构预测数据集,采用随机划分方式将该数据集分为训练集和验证集,划分比例可根据实际需求调整,优选为训练集占比70%-80%,验证集占比20%-30%;同时,构建来源完全不同于所述相结构预测数据集的相结构测试集,所述测试集与预测数据集存在差异,确保测试集的独立性,用于后续模型泛化性能的验证。
5、所述实验途径包括通过金相分析、x射线衍射、扫描电子显微镜等实验手段,测定合金样品的成分组成和相结构特征;所述模拟途径包括通过第一性原理计算、分子动力学模拟等方法,模拟不同成分合金的相结构;所述文献调研和数据库检索途径包括从合金材料相关的学术文献、专利文献以及专业合金数据库中,提取已公开的合金成分与相结构对应信息,确保数据集的全面性和多样性,减少数据偏差。
6、步骤2:构建量子-复值混合神经网络模型并进行训练
7、以步骤1中构建的训练集为输入,所述训练集的输入特征为各合金元素所占百分比,训练过程包括以下子步骤:
8、2.1 输入神经网络构建可训练元素权重:将训练集中的合金元素百分比输入传统神经网络,通过网络训练自适应调整并生成可训练的元素权重,所述元素权重用于表征不同合金元素对相结构的影响程度,实现对合金元素特征的初步强化与筛选。
9、2.2 振幅编码与量子神经网络输入:将步骤2.1得到的可训练元素权重与对应合金元素的百分比进行融合计算,得到融合特征向量;采用振幅编码方案将该融合特征向量编码为量子态,输入至量子神经网络中,完成经典数据到量子空间的转换,利用量子神经网络的并行计算能力挖掘特征之间的复杂关联关系。
10、2.3 密度矩阵提取与复值神经网络输入:运行量子神经网络,提取量子神经网络输出的密度矩阵,所述密度矩阵能够完整表征量子态的信息,将其作为复值神经网络的输入;所述复值神经网络采用复合激活函数,所述复合激活函数优选为crelu激活函数,即分别对复数的实部和虚部进行relu激活,表达式为
11、crelu(x)=relu(r(x))+irelu(i(x)),
12、其中r(x)和i(x)分别表示复值输入x的实部和虚部,relu(x) = max(0,x),可有效保留复值信息,提升特征提取能力,减少信息损失。
13、2.4 最终预测结果输出:复值神经网络对输入的密度矩阵进行处理后,输出包含实部和虚部的复值结果;设置可训练的实部权重和虚部权重,将复值结果的实部与实部权重、虚部与虚部权重分别进行加权计算,再将加权后的实部结果与虚部结果融合,得到合金相结构的最终预测结果。
14、步骤3:模型优化与泛化性能验证
15、将步骤1中构建的验证集输入至训练后的量子-复值混合神经网络模型中,通过验证集对模型的性能进行评估,评估指标为预测准确率,筛选出性能表现最优的模型;将筛选后的最优模型应用于步骤1构建的测试集,通过测试集的预测结果与实际相结构特征的对比,验证模型的泛化性能,证明模型在不同来源、不同类型合金相结构预测中的普适性。
16、所述模型性能评估过程中,若验证集预测准确率低于预设阈值,返回步骤2,调整量子神经网络的量子比特数、复值神经网络的层数及神经元数量、可训练权重的初始值或复合激活函数参数,重新进行模型训练,直至模型性能达到最优。
17、本发明的有益效果为:
18、1. 数据集构建全面且科学:通过实验、模拟、文献和数据库等多源途径收集数据,确保数据集的全面性和多样性;同时,将数据集划分为训练集、验证集,并单独构建独立来源的测试集,有效避免数据过拟合,为模型的优化和泛化性能验证提供可靠支撑,提升预测结果的可信度。
19、2. 预测精度高:采用量子-复值混合神经网络结构,结合量子神经网络的并行计算优势和复值神经网络的信息保留能力,通过振幅编码实现经典数据到量子空间的转换,提取密度矩阵作为复值神经网络输入,采用复合激活函数减少信息损失,相较于传统实值神经网络,能够更充分地挖掘合金元素与相结构之间的复杂关联,显著提升相结构预测精度,实验验证表明,该模型预测准确率可达94%以上,优于现有机器学习模型和单一量子模型。
20、3. 泛化性能优异:通过独立来源的测试集对模型泛化性能进行验证,确保模型能够适用于不同种类、不同成分范围的合金相结构预测,普适性强,解决了现有模型泛化能力不足的问题,可广泛应用于各类合金材料的研发与设计。
21、4. 效率高:相较于传统依赖大量实验的预测方法,本发明通过模型训练实现合金相结构的快速预测,大幅缩短预测周期,降低合金研发的时间成本和实验成本,为合金成分优化提供高效的技术手段。
1.一种基于量子-复值混合神经网络的合金相结构预测系统,其特征在于,包括以下步骤:
2.利用神经网络构建可训练元素权重:将训练集中的合金元素百分比输入传统神经网络,训练生成可训练的元素权重;
3.根据权利要求1所述的方法,其特征在于,步骤1中,所述实验途径包括通过金相分析、x射线衍射、扫描电子显微镜实验测定合金成分和相结构;所述模拟途径包括第一性原理计算、分子动力学模拟;所述测试集的合金种类、成分范围或相结构类型与相结构预测数据集不存在交叉。
4.根据权利要求1所述的方法,其特征在于,步骤2.1中,所述传统神经网络为3层结构,输入层神经元数等于合金元素种类数,隐藏层设置1层,输出层神经元数等于合金元素种类数,通过反向传播算法训练生成可训练元素权重。
5.根据权利要求1所述的方法,其特征在于,步骤2.2中,所述融合为可训练元素权重与对应合金元素百分比的相乘运算,编码方案为振幅编码,量子神经网络包含量子比特、hadamard门、cnot门和ry旋转门。
6.根据权利要求1所述的方法,其特征在于,步骤2.3中,所述复合激活函数为crelu激活函数,表达式为
7.根据权利要求1所述的方法,其特征在于,步骤2.4中,所述可训练权重包括实部可训练权重和虚部可训练权重,初始值均设为0.5,通过加权求和实现实部与虚部结果的融合。
8.根据权利要求1所述的方法,其特征在于,步骤3中,所述模型性能评估指标包括预测准确率;若验证集预测准确率低于预设阈值,调整量子神经网络的量子比特数、复值神经网络的层数及神经元数量、可训练权重初始值或复合激活函数参数,重新训练模型。
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