一种基于机器学习的引力发动机拓扑材料筛选方法及其系统与流程

摘要: 本发明涉及拓扑材料筛选技术和机器学习,具体涉及一种基于机器学习的引力发动机拓扑材料筛选方法及其系统。本发明通过机器学习方法高通量筛选引力发动机用拓扑材料,将材料...
一种基于机器学习的引力发动机拓扑材料筛选方法及其系统与流程

本发明涉及拓扑材料筛选技术和机器学习,具体涉及一种基于机器学习的引力发动机拓扑材料筛选方法及其系统。本发明通过机器学习方法高通量筛选引力发动机用拓扑材料,将材料研发周期从数年缩短至数月,可加速引力发动机的工程化进程,可应用于拓扑材料发现、引力调控器件材料开发和量子材料筛选等领域。

背景技术:

1、基于拓扑陈数调控的无工质引力发动机需要具有特定性能的拓扑材料。该发动机的性能由材料工程指数 i_eng 决定,该指数与材料的晶格常数 a0、杨氏模量 y、能隙 δe_gap 和拓扑陈数 c 相关。

2、然而,拓扑材料的筛选面临以下技术难题:

3、(一)候选材料空间巨大

4、拓扑材料家族包括拓扑绝缘体、拓扑半金属、磁性拓扑绝缘体、高阶拓扑材料等数万种已知和未知材料。传统的逐一实验验证方法耗时极长,无法满足快速研发的需求。

5、(二)材料参数与推力性能的关系复杂

6、材料的多维度参数(晶格常数、能隙、杨氏模量、拓扑陈数、层数、厚度等)与最终的引力发动机推力性能之间存在非线性关系,传统的物理模型难以精确预测。

7、(三)缺乏高通量筛选工具

8、现有技术中尚无针对引力发动机应用场景的拓扑材料高通量筛选方法。

9、针对上述问题,本发明提供了一种基于机器学习的引力发动机拓扑材料筛选方法及其系统 技术实现要素: 。

10、(一)发明目的

11、本发明旨在解决现有拓扑材料筛选技术中候选材料空间巨大、材料参数与推力性能关系复杂、缺乏高通量筛选工具等技术问题,提供一种基于机器学习的引力发动机拓扑材料筛选方法及其系统。

12、(二)技术方案

13、本发明提供一种基于机器学习的引力发动机拓扑材料筛选方法,其特征在于,包括以下步骤:

14、步骤1:构建拓扑材料数据库

15、构建拓扑材料数据库,所述数据库包含多种拓扑材料的晶格常数 a0、杨氏模量y、能隙 δe_gap、拓扑陈数 c 及其组合参数。

16、所述拓扑材料数据库通过高通量密度泛函理论(dft)计算或文献数据挖掘构建。

17、步骤2:数据预处理与特征工程

18、对所述输入特征进行归一化处理,使各特征的均值为0、标准差为1。

19、计算各输入特征之间的相关系数,剔除相关性高于预设阈值的冗余特征。

20、步骤3:训练机器学习模型

21、以所述数据库中的材料参数为输入特征,以所述材料的工程指数 i_eng 为预测目标,训练机器学习模型。

22、所述机器学习模型选自图神经网络、随机森林、支持向量回归或深度神经网络。

23、所述输入特征还包括材料厚度 d、层数 n、工作温度 t 及锁定精度 δθ/σ_θ。

24、所述工程指数 i_eng = (y·a0³/δe_gap)^ν · (1/π)^η,其中 y 为杨氏模量,a0 为晶格常数,δe_gap 为能隙,ν 和 η为预定义指数,所述工程指数与引力发动机的推力性能正相关。

25、步骤4:模型评估与超参数调优

26、使用交叉验证方法评估所述机器学习模型的预测精度,当模型在验证集上的决定系数 r² 低于预设阈值时,调整模型超参数并重新训练。

27、步骤5:筛选候选材料

28、使用所述机器学习模型对候选拓扑材料进行筛选,预测其 i_eng 值。

29、步骤6:排序输出

30、根据所述 i_eng 值排序,输出推力性能最优的候选材料列表。

31、步骤7:主动学习迭代

32、根据模型预测的不确定性,自动选择不确定性最高的候选材料进行实验验证,并将实验结果反馈至数据库,迭代优化模型。

33、当所述模型的预测精度在连续两轮迭代中提升幅度低于预设阈值时,停止迭代。

34、(三)有益效果

35、高通量筛选:可同时对数千种候选材料进行快速筛选,将材料研发周期从数年缩短至数月;

36、预测精度高:机器学习模型可捕捉材料参数与推力性能之间的非线性关系,预测精度优于传统物理模型;

37、主动学习加速:通过主动学习策略,自动选择最有价值的候选材料进行实验验证,迭代优化模型,不断提高预测精度;

38、适用范围广:可适用于多种拓扑材料体系,包括拓扑绝缘体、磁性拓扑绝缘体、扭曲双层超晶格等;

39、与工程指数关联:直接以引力发动机的工程指数为预测目标,筛选结果与实际工程需求高度相关;

40、可扩展性强:随着数据库的扩充和模型的迭代,筛选精度和效率可不断提升。

技术实现思路

1.一种基于机器学习的引力发动机拓扑材料筛选方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于:所述机器学习模型选自图神经网络、随机森林、支持向量回归或深度神经网络。

3.根据权利要求1所述的方法,其特征在于:所述输入特征还包括材料厚度、层数、工作温度及锁定精度。

4. 根据权利要求1所述的方法,其特征在于:所述工程指数 i_eng = (y·a0³/δe_gap)^ν · (1/π)^η, 其中 y 为杨氏模量,a0 为晶格常数,δe_gap 为能隙,ν 和 η 为预定义指数。

5.根据权利要求1所述的方法,其特征在于:所述拓扑材料数据库通过高通量密度泛函理论计算或文献数据挖掘构建。

6.根据权利要求1所述的方法,其特征在于,还包括:根据模型预测的不确定性,自动选择不确定性最高的候选材料进行实验验证,并将实验结果反馈至数据库,迭代优化模型;当所述模型的预测精度在连续两轮迭代中提升幅度低于预设阈值时,停止迭代。

7.根据权利要求1所述的方法,其特征在于,在训练机器学习模型之前,还包括:对所述输入特征进行归一化处理和相关性分析,剔除相关性高于0.9的冗余特征。

8. 根据权利要求1所述的方法,其特征在于,还包括:使用k折交叉验证方法评估所述机器学习模型的预测精度,当模型在验证集上的决定系数 r² 低于0.80时,调整模型超参数并重新训练。

9.一种基于机器学习的引力发动机拓扑材料筛选系统,其特征在于,包括:

10.一种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,实现如权利要求1至8任一项所述方法的步骤。