一种吸附能预测的方法以及相关装置与流程

1.本技术实施例涉及计算化学领域，具体涉及一种吸附能预测的方法以及相关装置。


背景技术：

2.合适的催化剂是催化反应得以进行的关键，它能够加快反应进程，使得原本需要极长时间才能完成的反应可以迅速进行。寻找合适的催化剂，其不仅仅能够加快反应进行的速度，而且还能够加快某一类反应的速度，从而选择性地仅产生某一种产物。譬如说，在以二氧化碳、水等物质为反应物的二氧化碳的还原反应中，会发生生成甲烷、甲醇、乙醇等气态或液态燃料的一系列化学反应，这系列化学反应在正常条件下难以进行，且反应路径复杂、产物种类繁多，难以得到纯净的产物。在这一系列的反应中，一氧化碳是重要的中间产物之一，因此研究一氧化碳等吸附分子在催化剂表面的吸附能，能够对二氧化碳还原反应背后的机理进行深入理解，进而寻找具有高选择性和高转化率的催化剂。
3.在相关方案中，通常是使用掺杂原子位点处的广义配位数对催化剂的结构信息进行描述，并运用简单的机器学习模型对该催化剂中的吸附分子的吸附能进行预测。然而，该掺杂原子的广义配位数的值会受到该掺杂原子所处的位置的影响，而该掺杂原子的位置在进行结构弛豫前后往往会发生很大变化。因此，只有通过第一性原理计算将该晶体材料的初始结构驰豫到稳定结构后，才能够使得掺杂原子所处的位置不再发生改变，进而保证广义配位数的值不发生改变。
4.也就是理解成，在相关方案中需要通过第一性原理计算将其结构弛豫到稳定状态后，才能够以弛豫后的稳定结构中掺杂原子位点处的广义配位数作为机器学习模型的输入，以此来预测吸附能，这就使得相关方案中不可避免地依赖于耗时的第一性原理计算来实现结构驰豫处理，而且在以弛豫前的初始结构直接作为机器学习模型的输入的情况下，会因为广义配位数的改变，导致预测精度下降。


技术实现要素：

5.本技术实施例提供了一种吸附能预测的方法以及相关装置，不仅能够节省计算时间，而且还能提高待预测材料中吸附分子的吸附能的预测精度，从而加快后续新材料的研发进程。
6.第一方面，本技术实施例提供了一种吸附能预测的方法。该方法包括：获取待预测材料的目标结构和元素特征，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到；根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与第一原子连接、以及目标原子与第二原子连接之间形成的夹角大小，第一原子为在目标结构内的任意原子，或者，第一原子为在以目标原子为中心、预设半径范围内的任意原子，
预设半径由预设截断半径得到；基于目标距离信息和目标夹角信息确定待预测材料的目标结构特征；基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料中吸附分子的吸附能。
7.第二方面，本技术实施例提供一种吸附能预测装置。该吸附能预测装置包括但不限于终端设备、服务器等。该吸附能预测装置包括获取单元和处理单元。其中，获取单元，用于获取待预测材料的目标结构和元素特征，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构范围，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到。获取单元，用于根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与第一原子连接、以及目标原子与第二原子连接之间形成的夹角大小，第一原子为目标结构内的任意原子，或者，第一原子为以目标原子为中心、预设半径范围内的任意原子，预设半径由预设截断半径得到。处理单元，用于基于目标距离信息和目标夹角信息确定待预测材料的目标结构特征。处理单元，用于基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料的吸附能。
8.在一些可选的示例中，处理单元用于：基于第一距离信息以及预设截断半径确定第一值，第一值用于指示第一原子对吸附能的贡献度，第一距离信息用于指示目标原子与第一原子之间的距离；基于第一值、目标夹角信息、第二距离信息以及第三距离信息确定待预测材料的第一结构特征，第一结构特征用于指示目标原子、第一原子以及第二原子之间的原子结构关系，第二距离信息用于指示目标原子与第二原子之间的距离，第三距离信息用于指示第一原子与第二原子之间的距离；基于第一结构特征确定待预测材料的目标结构特征。
9.在另一些可选的示例中，处理单元用于：基于第二距离信息、预设截断半径确定第二值，第二值用于指示第二原子对吸附能的贡献度；基于第三距离信息、预设截断半径确定第三值，第三值用于指示第一原子与第二原子对吸附能的贡献度；基于预设高斯模型对第一值、目标夹角信息、第一距离信息、第二距离信息、第三距离信息、第二值以及第三值进行处理，得到待预测材料的第一结构特征。
10.在另一些可选的示例中，处理单元还用于：基于第一值确定待预测材料的第二结构特征，第二结构特征用于指示目标原子周围的原子结构情况。处理单元用于基于第一结构特征和第二结构特征确定待预测材料的目标结构特征。
11.在另一些可选的示例中，处理单元还用于：基于预设高斯模型对第一值以及第一距离信息进行处理，得到待预测材料的第三结构特征，第三结构特征用于指示目标原子与第一原子之间的原子结构关系；基于第一结构特征和第三结构特征确定待预测材料的目标结构特征。
12.在另一些可选的示例中，处理单元还用于：基于第一值确定待预测材料的第二结构特征，第二结构特征用于指示目标原子周围的原子结构情况；基于第一结构特征、第二结构特征以及第三结构特征确定待预测材料的目标结构特征。
13.在另一些可选的示例中，处理单元用于：将每个第一值进行求和处理，得到待预测材料的第二结构特征。
14.在另一些可选的示例中，处理单元用于：基于预设截断半径、目标结构被划分的层数确定每层目标结构的厚度信息；基于预设截断半径和厚度信息确定目标距离，目标距离用于指示目标原子到每层目标结构的边界之间的距离；基于第一距离信息、目标距离以及厚度信息确定第一值。
15.在另一些可选的示例中，处理单元用于：基于第二距离信息、目标距离以及厚度信息确定第二值，第二值用于指示第二原子对吸附能的贡献度；基于第三距离信息、目标距离以及厚度信息确定第三值，第三值用于指示第一原子与第二原子对吸附能的贡献度；基于预设余弦函数模型对第一值、第二值、第三值以及目标夹角信息进行处理，得到待预测材料的第一结构特征。
16.在另一些可选的示例中，处理单元还用于：基于预设余弦函数模型对第一值进行处理，得到待预测材料的第三结构特征，第三结构特征用于指示目标原子与第一原子之间的原子结构关系。处理单元用于根据第一结构特征以及第三结构特征确定待预测材料的目标结构特征。
17.在另一些可选的示例中，原子包括掺杂原子和至少两个基质原子。获取单元用于：在至少两个基质原子中的每个基质原子的原子类型与其余结构中基质原子的原子类型相同时，获取掺杂原子的元素特征，以获取待预测材料的元素特征。
18.在另一些可选的示例中，获取单元还用于：在至少两个基质原子中的任意基质原子的原子类型与其余结构中基质原子的原子类型不相同时，获取掺杂原子的元素特征以及每个基质原子的元素特征，以获取待预测材料的元素特征。
19.在另一些可选的示例中，获取单元还用于：获取待预测材料的最小重复晶胞，最小重复晶胞包括掺杂原子、基质原子以及吸附分子。处理单元用于：基于最小重复晶胞确定第一晶体结构，第一晶体结构中的掺杂原子被基质原子替换、以及第一晶体结构不包括吸附分子；以目标原子为中心，将第一晶体结构在预设第一方向以及预设第二方向分别进行对称性扩展，得到第一结构。
20.在另一些可选的示例中，目标原子包括掺杂原子，或者，目标原子包括吸附分子。
21.本技术实施例第三方面提供了一种吸附能预测装置，包括：存储器、输入/输出(i/o)接口和存储器。存储器用于存储程序指令。处理器用于执行存储器中的程序指令，以执行上述第一方面的实施方式对应的吸附能预测的方法。
22.本技术实施例第四方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行以执行上述第一方面的实施方式对应的方法。
23.本技术实施例第五方面提供了一种包含指令的计算机程序产品，当其在计算机或者处理器上运行时，使得计算机或者处理器执行上述以执行上述第一方面的实施方式对应的方法。
24.从以上技术方案可以看出，本技术实施例具有以下优点：
25.本技术实施例中，获取待预测材料的目标结构和元素特征，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到。然后，根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，并基于目标距离信息和目标夹角信息确定待
预测材料的目标结构特征，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与第一原子连接、以及目标原子与第二原子连接之间形成的夹角大小。最后，基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料中吸附分子的吸附能。通过上述方式，在对待预测材料的最小重复晶胞进行对称性扩展后得到第一结构，并以目标原子为中心、以预设截断半径从该第一结构中获取原子结构，以此原子结构作为该待预测材料的目标结构。然后直接从该目标结构中确定出目标原子与其余原子之间的目标距离信息和目标夹角信息，以此目标距离信息和目标夹角信息确定出目标结构特征，使得该目标结构特征能够结合元素特征作为预设机器学习模型的输入，即能够直接从该待预测材料驰豫前的目标结构中确定出相应的目标结构特征，无需通过耗时的第一性原理计算将待预测材料的目标结构进行驰豫处理来获取预设机器学习模型的输入，节省了计算时间。而且，对最小重复晶胞进行对称性扩展，使得扩展得到的第一结构中的原子位置并未发生改变，也使得最终的目标结构中的原子位置也未发生改变，这样在目标结构中，以原子之间的距离以及夹角的角度来考虑获取该待预测材料的目标结构特征，能够提高结构特征提取的准确性，使得后续模型预测过程中，能够提高待预测材料中吸附分子的吸附能的预测精度，从而加快后续新材料的研发进程。
附图说明
26.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1示出了本技术实施例提供的对材料进行平移和旋转的示意图；
28.图2示出了本技术实施例提供的单原子催化剂的最小重复晶胞的结构示意图；
29.图3示出了本技术实施例提供的吸附能预测的流程框架示意图；
30.图4示出了本技术实施例提供的吸附能预测的方法的一种流程图；
31.图5示出了本技术实施例提供的对称性函数的作用机理的示意图；
32.图6示出了本技术实施例中提供的吸附能预测装置的一个结构示意图；
33.图7示出了本技术实施例中提供的吸附能预测装置的硬件结构示意图。
具体实施方式
34.本技术实施例提供了一种吸附能预测的方法以及相关装置，不仅能够节省计算时间，而且还能提高待预测材料中吸附分子的吸附能的预测精度，从而加快后续新材料的研发进程。
35.可以理解的是，在本技术的具体实施方式中，涉及到用户信息等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本技术保护的范围。
37.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.催化反应在生活中无处不在，例如每辆汽车都会配备汽车尾气净化装置，通过汽车尾气净化装置将尾气中具有毒性的一氧化碳和氮氧化物转化为无毒的二氧化碳和氮气，再进行排放。合适的催化剂是催化反应得以进行的关键，如在上述提到的汽车尾气净化反应中，金属铂就是该汽车尾气净化反应中的催化剂。催化剂存在的意义是加快反应进程，使得原本需要极长时间才能完成的反应可以迅速进行。
39.又譬如，在二氧化碳还原反应中，该还原反应是以二氧化碳、水等物质为反应物，生成甲烷、甲醇、乙醇等气态或液态燃料的一系列化学反应，这类反应在正常条件下难以进行，且反应路径复杂、产物种类繁多，因而无法得到纯净的产物，难以投入实际生产。因此，合适的催化剂不仅仅能够加快反应进行的速度，而且能仅仅加快某一类反应的速度，从而选择性地只产生某一种产物。在这一系列化学反应中，一氧化碳是重要的中间产物之一，研究一氧化碳在催化剂表面的吸附能能够帮助我们更好地理解二氧化碳还原反应背后的机理，进而寻找具有高选择性和高转化率的催化剂。
40.随着人工智能(artificial intelligence,ai)技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
41.因此，在研究譬如一氧化碳等吸附分子，在催化剂等待预测材料表面的吸附能，可以从待预测材料的目标结构进行结构特征、元素特征提取，并通过人工智能领域中机器学习(machine learning，ml)，对该待预测材料中的吸附分子的吸附能进行预测，以此通过预测得到的吸附分子的吸附能来选择该待预测材料是否可以作为具有高选择性和高转化率的催化剂。需说明，一般以吸附分子在催化剂表面的吸附能力作为判断该催化剂催化性能的依据，吸附能过高则不利于催化反应的产物分子脱离表面，吸附能过低则不利于反应物吸附在催化剂表面并发生催化反应。
42.应理解，所描述的待预测材料可以包括但不限于单原子催化剂、其他类型的催化剂、晶体材料等，本技术不做具体限定说明。后续仅以单原子催化剂为待预测材料为例，对本技术实施例提供的吸附能预测的方法进行详细说明。
43.本技术实施例提供了一种吸附能预测的方法。本技术实施例提供的吸附能预测的方法是基于人工智能实现的。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各
种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
44.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音技术、自然语言处理技术以及机器学习/深度学习等几大方向。在本技术实施例中，主要涉及的人工智能技术包括上述所提及的机器学习等方向。例如，可以涉及机器学习(machine learning，ml)中的深度学习(deep learning)等。
45.本技术提供的吸附能预测的方法可以应用于具有数据处理能力的吸附能预测装置，如终端设备、服务器等。其中，终端设备可以包括但不限于智能手机、台式计算机、笔记本电脑、平板电脑、智能音箱、车载设备、智能手表、可穿戴智能设备、智能语音交互设备、智能家电、飞行器等。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器等，本技术不做具体限定。另外，所提及的终端设备以及服务器可以通过有线通信或无线通信等方式进行直接连接或间接连接，本技术不做具体限定。
46.上述所提及的吸附能预测装置可以具备实施上述提及的机器学习的能力。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括神经网络等技术。
47.在本技术实施例提供的吸附能预测的方法中的采用人工智能模型，主要涉及对神经网络的应用，通过神经网络实现对待预测材料中吸附分子的吸附能进行预测处理。
48.在相关方案中，由于掺杂原子的位置在进行结构弛豫前后往往会发生很大变化，而且掺杂原子的广义配位数的值会受到掺杂原子所处的位置的影响，因此需要通过第一性原理计算将其结构弛豫到稳定状态后，才能够以弛豫后的稳定结构中掺杂原子位点处的广义配位数作为机器学习模型的输入，以此来预测吸附能。但是，这会不可避免地依赖于耗时的第一性原理计算来实现结构驰豫处理，而且在以弛豫前的初始结构直接作为机器学习模型的输入的情况下，会因为广义配位数的改变，导致预测精度下降。
49.另外，在通过三维坐标系(如xyz坐标系)中的一组三维坐标来表示出待预测材料中每个原子的位置，以及在获取到每个原子的元素种类后，可以唯一地确定出该待预测材料。虽然待预测材料包含了类型不同的原子，但是通常情况下，该待预测材料都是由最小重复晶胞在三维坐标系中进行不限次数的复制得到的。因此，描述出一个最小重复晶胞中原子的位置以及原子的元素种类，即可完整地描述出该待预测材料。因此，可以从待预测材料的结构和元素构成这两方面对该待预测材料进行描述。这样，可以对该待预测材料的结构特征、元素特征进行提取后，将结构特征、元素特征作为机器学习模型的输入信息，以此预测出该待预测材料相应的性质，即该待预测材料中吸附分子的吸附能。
50.如上述的描述，通过原子的位置坐标可以描述出该待预测材料的结构特征，并且结构特征与相应的待预测材料形成了映射关系，即通过一组位置坐标可以唯一地确定出该待预测材料的结构。但是，由于原子的位置坐标不满足平移或者旋转的不变性
(invariance)，因此并不能直接将该位置坐标本身作为机器学习模型的输入。举例来说，图1示出了本技术实施例提供的对材料进行平移和旋转的示意图。如图1所示，以单原子催化剂为待预测材料为例，在确定xyz坐标系之后，能够确定出该待预测材料中每个原子的位置坐标。并且，从图1可以看出，对该待预测材料整体进行旋转后，该待预测材料中的每个原子的位置坐标都会改变。同样地，对待预测材料进行平移后，也会使得每个原子的位置坐标改变。在每个原子的位置坐标改变之后，使得输入到机器学习模型中的结构特征也会随之变化，导致机器学习模型会将变化的结构特征作为一个新材料的特征进行拟合。但显然的是，待预测材料在平移或者旋转之后，其物理性质和化学性质应当不会发生变化，对应的结构特征也应当不变，这样将不变的结构特征输入到机器学习模型中，机器学习模型预测得到的预测值也将在待预测材料整体平移或者选择之后仍然保持不变。需说明，图1中示出的单原子催化剂的具体结构，可以参照后续图2中示出的内容进行理解，此处先不做赘述。
51.基于此，为了解决上述所提及的技术问题，本技术实施例提供了一种吸附能预测的方法。该吸附能预测的方法可以应用在催化领域中，例如应用在氧化反应、电催化、光电催化、加氢催化、锂电池、酶催化等化学反应领域中。示意性地，该吸附能预测的方法还可以应用在环境催化、化工生产、能源转换、有机合成、生物医学、制药和废物处理等应用场景中，本技术实施例不做具体限定说明。
52.在对本技术的吸附能预测的方法进行详细地描述之前，先对掺杂原子、吸附分子、基质原子进行具体描述。示例性地，在基质材料或基底材料中引入其他元素的原子，可以将该引入其他元素的原子理解成上述所描述的掺杂原子。而且，基质材料或基底材料主要由基质原子构成。所描述的吸附分子可以理解成，化学反应中生成的中间产物。另外，在金属材料的表面引入其他元素的单个原子，则构成了单原子催化剂，其中，该金属材料可以理解成基质材料或基底材料。需说明，所描述的金属材料的表面，可以理解成以某一切割角度对理想的金属晶胞进行切割，以此暴露在外的表面。
53.举例来说，图2示出了本技术实施例提供的单原子催化剂的最小重复晶胞的结构示意图。如图2所示，以铜-硼单原子催化剂为例，(a)部分示出了该铜-硼单原子催化剂的俯视图，(b)部分示出了该铜-硼单原子催化剂的主视图。从该图2中(a)和(b)部分可以看出，该铜-硼单原子催化剂的基底材料是金属铜的表面，并将硼原子作为掺杂原子替换了该表面某一位点处的铜原子，从而形成该铜-硼单原子催化剂。而且，在该铜-硼单原子催化剂的表面，还吸附了一个一氧化碳分子。该一氧化碳分子作为吸附分子与该单原子催化剂表面的基质原子(即铜原子)之间形成化学键。
54.另外，图2示出的结构是该铜-硼单原子催化剂的最小重复晶胞，该铜-硼单原子催化剂的真实结构是无限大的金属铜平面上零散地分布着一些掺杂原子，这些掺杂原子之间的距离较远，不会互相产生作用。而且，在通常情况下，掺杂原子比作为基底的材料具有更高的催化活性，因此掺杂原子附近的基质原子的性质也会受到影响，往往也能够表现出比未掺杂时更强的催化性能。
55.基于此，本技术实施例提供了一种吸附能预测的方法。该吸附能预测的方法可以应用在图3所示出的流程框架中。如图3所示，首先可以获取该待预测材料的最小重复晶胞，譬如前述图2中提及的铜-硼单原子催化剂的最小重复晶胞。以目标原子为中心，将该最小重复晶胞按照预设第一方向和预设第二方向进行对称性扩展，得到第一结构。并且以目标
原子为中心、以预设截断半径(后续使用rc表示)从该第一结构中截取相应的原子结构范围，即获取得到待预测材料的目标结构。通过该待预测材料的目标结构能够表征出该在预设截断半径范围内目标原子周围的原子情况。这样，通过对目标结构进行分层，通过预设高斯模型、预设余弦模型等对称性函数对该目标原子周围不同位置处的结构特征进行提取。具体地，基于该目标结构可以获取到相应的目标距离信息以及目标夹角信息，进而通过预设高斯模型、预设余弦模型等对称性函数对该待预测材料的结构特征进行提取。这样，在获得到该待预测材料的元素特征后，可以将该元素特征与结构特征作为预设机器学习模型的输入，以此预测得到该待预测材料中吸附分子的吸附能。
56.需说明，所描述的目标原子可以是掺杂原子，也可以是吸附分子，前述图3中仅以目标原子为掺杂原子为例进行说明，具体本技术不做具体限定。所描述的待预测材料可以是前述图2中示出的铜-硼单原子催化剂，也可以是其他类型的单原子催化剂、晶体材料或者其他类型的催化剂等，本技术不做具体限定说明。后续实施例中仅以目标原子为掺杂原子、待预测材料为图2示出的铜-硼单原子催化剂为例对本技术提供的吸附能预测的方法进行介绍。
57.另外，所提及的截断半径可以理解成分子动力学中用于表示作用力的范围。若两个原子在截断半径内，势函数起作用；反之，若两个原子在截断半径之外，则势函数不起作用。本技术实施例提供的预设截断半径可以根据需求而设置，譬如12埃具体不做限定。
58.下面结合附图对本技术实施例提供的一种吸附能预测的方法进行介绍。图4示出了本技术实施例提供的吸附能预测的方法的一种流程图。如图4所示，该吸附能预测的方法可以包括如下步骤：
59.401、获取待预测材料的目标结构，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到。
60.该示例中，在获取到待预测材料后，可以从该待预测材料中确定出最小重复晶胞。将该最小重复晶胞在预设第一方向和预设第二方向所构成的平面上，对称性地扩展成第一结构，即第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到的结构。所描述的最小重复晶胞理解成构成该待预测材料的结构时的最小重复单元，并且该最小重复晶胞包括掺杂原子、基质原子以及吸附分子。
61.示例性地，将该最小重复晶胞对称性地扩展成第一结构，可以从以下任意一种方式来实现，即：基于最小重复晶胞确定第一晶体结构，第一晶体结构中的掺杂原子被基质原子替换、以及不包括吸附分子。然后，以目标原子为中心，将第一晶体结构在预设第一方向以及预设第二方向分别对称性扩展，即可得到该第一结构。举例来说，以前述图2示出的铜-硼单原子催化剂的最小重复晶胞为例，假设预设第一方向与预设第二方向所构成的平面为xy平面，可以对该铜-硼单原子催化剂的最小重复晶胞进行复制处理，然后将所复制得到的最小重复晶胞中的吸附分子删除、以及将掺杂原子替换成基质原子后，便得到该第一晶体结构。这样，以复制之前的最小重复晶胞中的目标原子为中心，将该第一晶体结构在该xy平面上进行3
×
3对称性扩展，即将该第一晶体结构在x方向上重复扩展3次，以及在y方向上重复扩展3次，即可得到该第一结构。
62.或者，也可以该最小重复晶胞中的目标原子为中心，将最小重复晶胞在预设第一方向以及预设第二方向分别对称性扩展，得到第二结构，然后在该第二结构中，对进行对称性扩展时的最小重复晶胞中的吸附分子删除、以及将相应的掺杂原子替换成基质原子，使得第二结构中仅保留所获取得到的最小重复晶胞中的掺杂原子和吸附分子，以及基质原子。举例来说，以前述图2示出的铜-硼单原子催化剂的最小重复晶胞为例，假设预设第一方向与预设第二方向所构成的平面为xy平面，可以对该铜-硼单原子催化剂的最小重复晶胞进行复制处理，然后将复制得到的最小重复晶胞先在该xy平面上进行3
×
3对称性扩展，即将该最小重复晶胞在x方向上重复扩展3次，以及在y方向上重复扩展3次，得到第二结构。在该第二结构中，再将该复制得到的最小重复晶胞中的吸附分子删除、以及将掺杂原子替换成基质原子，便得到该第一结构。
63.应理解，所提及的第一结构可以描述出在该最小重复晶胞周围形成的纯金属表面，以用于模拟该待预测材料的真实结构。另外，上述所提及的预设第一方向可以理解成xy平面中的x方向，预设第二方向可以理解成xy平面中的y方向等，本技术不做具体限定。所提及的在xy平面上进行3
×
3对称性扩展，在实际应用中，也可以是5
×
5、6
×
6等扩展，本技术不做具体限定。
64.这样，对最小重复晶胞扩展得到第一结构后，可以在该第一结构中，截取以目标原子为中心、预设截断半径范围内的原子结构作为该待预测材料的目标结构。譬如说，以掺杂原子为目标原子，在该第一结构中截取截断半径为12埃范围内的原子结构作为目标结构。
65.需说明，由于原子之间的相互作用随着原子之间的距离越远，呈现出衰减趋势，因此，可以近似地认为在预设截断半径之外的原子对该目标原子没有作用影响，以及在预设截断半径之内的原子对该目标原子相互作用。故可以通过预设截断半径以内的原子的位置充分地描述该目标原子周围的结构环境。
66.402、获取待预测材料的元素特征。
67.该示例中，元素特征可以理解成与待预测材料的具体材料无关，只与元素类型有关的特征。示例性地，目标结构中的原子可以包括掺杂原子以及至少两个基质原子，还包括吸附分子。那么，在至少两个基质原子中的每个基质原子的原子类型与其余结构中基质原子的原子类型相同，即基质原子的元素种类一致的情况下，获取掺杂原子的元素特征，进而将掺杂原子的元素特征作为待预测材料的元素特征。反之，若至少两个基质原子中的任意基质原子的原子类型与其余结构中基质原子的原子类型不相同，即该目标结构中任意基质原子的元素种类与其余结构中基质原子的元素种类不同时，则获取掺杂原子的元素特征以及每个基质原子的元素特征，进而将掺杂原子的元素特征以及每个基质原子的元素特征作为待预测材料的元素特征。此处所描述的每个基质原子的元素特征包括该目标结构中基质原子的元素特征以及其余结构中基质原子的元素特征。
68.需说明，所描述的元素特征可以包括但不限于以下特征的一种或多种，即：元素在元素周期表中的周期数、族数、原子序数、相对原子质量、原子半径、电子亲和势、第一电离能、电负性、p轨道或d轨道电子数、价电子数、d带中心能量。在实际应用中，元素特征还可能是其他类型的特征，本技术实施例中不做具体限定。
69.403、根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，其中，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与
第一原子连接、目标原子与第二原子连接之间形成的夹角大小。
70.该示例中，第一原子可以为目标结构内的任意原子，进而可以考虑目标原子与预设截断半径rc范围内所有的其他原子之间的结构情况。或者，第一原子为在以目标原子为中心、预设半径范围内的任意原子，即也可以仅考虑目标原子与某个预设半径内的其他原子之间的结构情况，而不是该预设截断半径rc范围内的所有原子。预设半径由预设截断半径得到。需说明，所描述的第二原子与第一原子所位于的结构范围相同，譬如说在第一原子为预设截断半径rc范围内的任意原子时，该第二原子也为该rc范围内的任意与第一原子不重叠的原子。同样地，在第一原子为预设半径范围内的任意原子时，该第二元素也为预设半径范围内的任意与第一原子不重叠的原子，此处不做具体限定。
71.基于此，根据该目标结构获取目标原子与每个原子之间的距离，即可得到目标距离信息。同样地，以目标原子为原点，通过连接目标原子与第一原子、目标原子与第二原子，通过测量目标原子与第一原子连接、目标原子与第二原子连接之间形成的夹角大小，即可得到目标夹角信息。
72.404、基于目标距离信息和目标夹角信息确定待预测材料的目标结构特征。
73.该示例中，在获取到目标距离信息和目标夹角信息后，便可以基于该目标距离信息和目标夹角信息确定待预测材料的目标结构特征。示例性地，可以通过不同的对称性函数，基于目标距离信息和目标夹角信息来确定出目标结构特征。需说明，所描述的对称性函数本质是一组高斯函数，其作为过滤器(filter)能够将该目标结构进行分层过滤，不同的高斯函数以不同的方式提取该目标原子周围不同位置处的结构特征。该对称性函数可以是以局部余弦函数(localized cos)为过滤器构建的对称性函数，也可以是以高斯函数与截断函数为过滤器构建的对称性函数，所描述的以高斯函数与截断函数为过滤器的对称性函数又可以包括高斯函数-余弦截断函数(gaussian-cos)、高斯函数-反正切截断函数(gaussian-tanh)等。具体本技术不做限定。
74.示例性地，在基于目标距离信息以及目标夹角信息确定待预测材料的目标结构特征的过程中，可以通过以下方式来实现，即：基于第一距离信息以及预设截断半径确定第一值。所描述的第一值能够指示出第一原子对该吸附分子的吸附能的贡献度，并且第一距离信息用来指示出目标原子与第一原子之间的距离。然后，也计算出目标原子与第二原子之间的距离，即第二距离信息；以及计算出第一原子与第二原子之间的距离，即第三距离信息。这样，再根据第一值、目标夹角信息以及第二距离信息、第三距离信息来确定出待预测材料的第一结构特征。通过第一结构特征能够指示出目标原子、第一原子以及第二原子之间的原子结构关系。这样，可以将第一结构特征作为待预测材料的目标结构特征。
75.在一些示例中，在以高斯函数与截断函数为过滤器的对称性函数的情形中，基于第一值、目标夹角信息、第二距离信息以及第三距离信息进行处理，得到待预测材料的第一结构特征，其具体实现方式可以参照以下方式实现，即：基于第二距离信息与预设截断半径确定第二值，以及基于第三距离信息和预设截断半径确定第三值。其中，第二值用于指示第二原子对吸附能的贡献度，第三值用于指示第一原子与第二原子对吸附能的贡献度。然后，再基于预设高斯模型对第一值、目标夹角信息、第一距离信息、第二距离信息、第三距离信息、第二值以及第三值进行处理，得到待预测材料的第一结构特征。
76.需说明，上述所描述的第一值、第二值、第三值可以通过截断函数fc来计算得到。
截断函数fc主要是使得在截断半径范围之外的原子对吸附能的贡献程度趋于0，并且该截断函数fc在截断半径附近仍然是平滑的。截断函数fc的表现形式可以参照下述公式(1)或(2)进行理解，即：
[0077][0078]
或，
[0079][0080]
其中，i表示为目标原子，j表示为第一原子，r
ij
为该目标原子i与第一原子j之间的距离，即第一距离信息。另外，rc为预设截断半径，fc(r
ij
)表示为第一值。另外，公式(1)示出的fc为余弦截断函数，公式(2)示出的fc为反正切截断函数。
[0081]
因此，在获取到预设截断半径rc，以及第一距离信息r
ij
之后，可以将该rc和r
ij
输入到上述公式(1)示出的余弦截断函数，或公式(2)中示出的反正切截断函数中，便可以得到第一值fc(r
ij
)。同样地，可以将所获取到的预设截断半径rc，以及第二距离信息r
ik
输入到上述公式(1)或(2)中示出的截断函数fc中，便可以得到第二值fc(r
ik
)，其中第二距离信息r
ik
表示为目标原子i与第二原子k之间的距离。针对第三值fc(r
jk
)，也可以同样将所获取到的预设截断半径rc以及第三距离信息r
jk
输入到上述公式(1)或(2)中示出的截断函数fc中得到。
[0082]
这样，在计算出第一值fc(r
ij
)、第二值fc(r
ik
)以及第三值fc(r
jk
)之后，可以结合前述所描述的目标夹角信息、第一距离信息r
ij
、第二距离信息r
ik
以及第三距离信息r
jk
，作为预设高斯模型的输入信息，以此通过预设高斯模型计算得到第一结构特征。示例性地，该预设高斯模型的表现形式如下公式(3)所示，即：
[0083][0084]
其中，θ
ijk
表示目标夹角信息，rs、η、λ、ξ均为可调的参数，表示为第一结构特征。
[0085]
在另一些示例中，还可以基于第一值确定出待预测材料的第二结构特征，然后基于第一结构特征和第二结构特征确定该待预测材料的目标结构特征，譬如将第一结构特征与第二结构特征进行组合，得到该目标结构特征。示例性地，在计算出每个第一值之后，可以将每个第一值进行求和处理，得到该待预测材料的第二结构特征即其中，n
atom
表示为该预设截断半径内的除了该目标原子i以外的其他原子的个数，如可以包括前述提到的第一原子j和第二原子k等。需说明，第二结构特征指示出目标原子周围的原子结构情况。另外，此处提及的第一结构特征，可以参照前述所描述
的第一结构特征的内容进行理解，此处不做赘述。
[0086]
在另一些示例中，也可以基于预设高斯模型对第一值以及第一距离信息进行处理，得到待预测材料的第三结构特征，然后再基于该第一结构特征和第三结构特征确定出待预测材料的目标结构特征，譬如将第一结构特征与第二结构特征进行组合，得到该目标结构特征。需说明，此处所提及的预设高斯模型的表现方式为其中，n
atom
表示为该预设截断半径内的除了该目标原子i以外的其他原子的个数，如可以包括前述提到的第一原子j和第二原子k等，为第三结构特征。
[0087]
示例性地，在确定目标结构特征的过程中，还可以将前述提及的第一结构特征第二结构特征以及第三结构特征进行组合，确定出该目标结构特征。
[0088]
需说明，上述所提及的以高斯函数与截断函数为过滤器的对称性函数的作用机理可以参照图5示出的示意图进行理解。如图5所示，显示的是一条一维原子链，即在单一方向上零散地分布着一些原子，如原子0(即前述提及的目标原子)、原子1、原子2、原子3以及原子4等。对可调的参数rs、η、λ、ξ选取不同的取值，即可得到图5示出的不同均值和方差的高斯函数。从图5可以看出，原子1与高斯函数1的极值点之间距离比原子2距离高斯函数1的极值点更近，高斯函数1在原子1处的取值更大，故相较于原子2，原子1对以高斯函数1与截断函数为过滤器的对称性函数的贡献更大。因此，以高斯函数1与截断函数为过滤器的对称性函数提取的就是目标原子周围，即原子1附近的结构信息，其表征的是在目标原子周围，距离该目标原子r
01
处有多少个原子。类似地，高斯函数2、高斯函数3也将提取距目标原子相应距离处的结构信息。高斯函数的方差越大，其能够提取结构信息的距离范围也越广，表征越不精细。
[0089]
除了使用上述所提及的高斯函数与截断函数作为过滤器构建的对称性函数以外，也可以使用以局部余弦函数作为过滤器构建的对称性函数来确定出目标结构特征。示例性地，在基于第一距离信息和预设截断半径确定第一值的过程中，具体可以基于预设截断半径、目标结构被划分的层数确定每层目标结构的厚度信息r，即其中，rc为预设截断半径，n为目标结构被划分的层数。然后，基于该预设截断半径rc和厚度信息r确定目标距离dm，该目标距离dm能够指示出目标原子到划分后的每层目标结构的边界之间的距离。具体地，dm＝d
m-1
r，其中，当m＝1时，dm＝0；在m＝n时，dm＝rc。最后，根据第一距离信息、目标距离以及厚度信息确定出第一值。
[0090]
同样地，与确定第一值的方式类似，也可以基于第二距离信息、目标距离以及厚度信息确定第二值，该第二值能够指示出第二原子对吸附能的贡献度。也可以基于第三距离信息、目标距离以及厚度信息确定第三值，该第三值能够指示出第二原子和第一原子对吸附能的贡献度。
[0091]
这样，在基于第一值、目标夹角信息、第二距离信息以及第三距离信息确定待预测材料的第一结构特征，可以通过如下方式来实现，即：基于预设余弦函数模型对该第一值、第二值、第三值以及目标夹角信息进行处理，得到该待预测材料的第一结构特征。
[0092]
需说明，该示例中所提及的第一值、第二值、第三值可以通过局域余弦函数fm计算得到。该局部余弦函数fm的表现形式可以参照下述公式(4)进行理解，即：
[0093][0094]
其中，r
ij
为目标原子i与第一原子j之间的距离，即第一距离信息；dm为目标距离，r为厚度信息，fm(r
ij
)表示为第一值。
[0095]
因此，在获取到目标距离dm、厚度信息r以及第一距离信息r
ij
之后，可以将该dm、r和r
ij
输入到上述公式(4)中示出的局域余弦函数fm中，便可以得到第一值fm(r
ij
)。同样地，可以将所获得到的dm、r和r
ik
输入到上述公式(4)中示出的局域余弦函数fm中，便可以得到第二值fm(r
ik
)。以及将所获得到dm、r和r
jk
输入到上述公式(4)中示出的局域余弦函数fm中，便可以得到第三值fm(r
jk
)fm(r
jk
)。
[0096]
这样，在计算出第一值fm(r
ij
)、第二值fm(r
ik
)以及第三值fm(r
jk
)之后，可以结合前述所描述的目标夹角信息，作为预设余弦函数模型的输入信息，以此通过预设余弦函数模型计算得到第一结构特征。示例性地，该预设余弦函数模型的表现形式如下公式(5)所示，即：
[0097][0098]
其中，表示为第一结构特征。
[0099]
示例性地，还可以基于预设预先函数模型对第一值进行处理，得到待预测材料的第三结构特征即其中，n
atom
表示为该预设截断半径内的除了该目标原子i以外的其他原子的个数，如可以包括前述提到的第一原子j和第二原子k等。然后，基于第一结构特征和第三结构特征确定出该待预测材料的目标结构特征。所描述的第三结构特征指示目标原子的周围原子的结构情况。
[0100]
需说明，上述的局部余弦函数作为过滤器构建的对称性函数，可以理解成前述高斯函数与截断函数作为过滤器构建的对称性函数的简化形式，区别在于通过局域余弦函数fm计算相应的值时，仅需要考虑在距离目标原子(d
m-1
，dm)内的原子即可，不需要如高斯函数与截断函数作为过滤器构建的对称性函数中需要考虑预设截断半径rc内所有的原子。另外，该局部余弦函数作为过滤器构建的对称性函数，其在预设截断半径处不连续，直接取值为0，使得其运算速度比高斯函数与截断函数作为过滤器构建的对称性函数的运算速度快。
[0101]
需说明，上述主要描述了以掺杂原子为中心构建对称性函数，实际应用中还可以以吸附分子为中心构建对称性函数，其操作流程与以掺杂原子为中心构建对称性函数的流程相同，本技术不做具体限定说明。
[0102]
405、基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料中吸附分子的吸附能。
boosting regression，gbr)模型、或者全连接层等，本技术具体不做限定说明。
[0112]
本技术实施例还对本技术的吸附能预测的方法，能够提高预测精度以及节省计算时间进行了实验验证。具体如下：
[0113]
举例来说，使用一组以铜原子为基质原子、一氧化碳为吸附分子的单原子催化剂数据集。该数据集共包含75种不同的结构，这些结构由5种不同晶面指数的铜晶体表面、不同的一氧化碳吸附位置和不同的掺杂原子位点构成，其最小重复晶胞包含的原子数目最少为38个(即35个铜原子 1个掺杂原子 1个一氧化碳分子)，对该最小重复晶胞进行结构扩展之后得到最少的原子数目和最多的原子数目分别为326个。对于每种结构，用41种掺杂元素对掺杂原子位点进行替换，从而一共得到3075个样本。对于每个样本，采用如前述提到的87个特征或163个特征进行描述，从而形成3075
×
87或3075
×
163规模的样本矩阵。
[0114]
首先，我们测试了以本技术前述所提到的三种对称性函数(即：localized cos、gaussian-cos以及gaussian-tanh)构建结构特征所消耗的时间，测试结果如下表2所示：
[0115]
表2构建结构特征所消耗的时间
[0116][0117][0118]
由于使用初始结构(即最小重复晶胞)进行预测，故对于这3075个样本，实际上只包含75种不同的结构，因此仅需要构建其中75个结构不同的样本的结构特征，再将其复制40份即可得到所有样本的结构特征。可以看到，对于耗时最短的方式，平均构建一个样本的结构特征仅需要0.3秒，最长耗时也仅需12.6秒。
[0119]
在此基础上，进一步使用这些结构特征对一氧化碳的吸附能进行预测，并与现有方案中的一系列图神经网络在该数据集上的预测结果进行对比。对于每种算法，以训练集：验证集：测试集＝6：2：2的方式，并用从0到9的10个随机数种子对数据集划分10次，分别进行10次测试，并对10次预测结果的mae求平均值。在训练时，利用训练集标签的均值标准差对训练集标签进行了归一化(normalization)，故需要对模型输出的预测值进行去归一化才能得到其真实的预测值。对于三种基于预设机器学习模型gbr进行预测的模型，对其输入特征进行了标准化(standardization)，且此表展示的是使用163个特征进行材料表征的结果(即分别以吸附原子和掺杂原子为中心构建结构特征)。不同算法的表现以及训练耗时展示如下述表3：
[0120]
表3基于对称性函数的模型和经典图神经网络在单原子催化剂数据集上的测试结果
[0121][0122][0123]
由上表3可以看出，基于对称性函数提取到的结构特征构建的机器学习模型较schnet模型和cgcnn模型有更好的性能，且模型稳定性更好，不易出现在某些划分方式下性能很差的情况。此外，虽然基于对称性函数提取到的结构特征构建的机器学习模型的性能比dimenet和dimenet 差，但其所需的训练时间大大少于dimnet和dimenet 所需要的训练时间，且其测试精度已经达到绝对误差在0.1-0.15ev范围内这一要求，可以用于快速判断某个单原子催化剂对某吸附分子的吸附能，从而判断其能否用于催化相关化学反应。
[0124]
进一步地，对基于对称性函数提取的结构特征进行探讨。下述表4展示了以仅使用掺杂原子为中心提取特征(即提取76个目标结构特征和11个元素特征，共87个特征)、掺杂原子和吸附分子为中心提取特征(即163个特征)、以及仅使用吸附分子为中心提取特征(即87个特征)时，用gbr为预设机器学习模型对吸附能进行预测的结果：
[0125]
表4使用不同特征进行吸附能预测的结果
[0126][0127][0128]
由上表4可以看出，在单原子催化剂吸附能的预测任务上，掺杂原子的位置具有较为重要的地位，因此通过以掺杂原子为中心进行结构扩展，并通过前述提及的对称性函数进行结构特征提取，以此提取得到的目标结构特征和元素特征作为预设机器学习模型的输入，能够提高吸附能的预测精度。而且，在节省计算时间以及提高吸附分子的吸附能的预测精度的情况下，还能够进一步地加快新材料的研发进程，缩短新材料研发的时间，从而构建出满足需求的新材料。
[0129]
本技术实施例中，获取待预测材料的目标结构和元素特征，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到。然后，根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，并基于目标距离信息和目标夹角信息确定待预测材料的目标结构特征，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与第一原子连接、以及目标原子与第二原子连接之间形成的夹角大小。最后，基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料中吸附分子的吸附能。通过上述方式，在对待预测材料的最小重复晶胞进行对称性扩展后得到第一结构，并以目标原子为中心、以预设截断半径从该第一结构中获取原子结构，以此原子结构作为该待预测材料的目标结构。然后直接从该目标结构中确定出目标原子与其余原子之间的目标距离信息和目标夹角信息，以此目标距离信息和目标夹角信息确定出目标结构特征，使得该目标结构特征能够结合元素特征作为预设机器学习模型的输入，即能够直接从该待预测材料驰豫前的目标结构中确定出相应的
目标结构特征，无需通过耗时的第一性原理计算将待预测材料的目标结构进行驰豫处理来获取预设机器学习模型的输入，节省了计算时间。而且，对最小重复晶胞进行对称性扩展，使得扩展得到的第一结构中的原子位置并未发生改变，也使得最终的目标结构中的原子位置也未发生改变，这样在目标结构中，以原子之间的距离以及夹角的角度来考虑获取该待预测材料的目标结构特征，能够提高结构特征提取的准确性，使得后续模型预测过程中，能够提高待预测材料中吸附分子的吸附能的预测精度，从而加快后续新材料的研发进程。
[0130]
上述主要从方法的角度对本技术实施例提供的方案进行了介绍。可以理解的是为了实现上述功能，包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本技术中所公开的实施例描述的各示例的模块及算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0131]
本技术实施例可以根据上述方法示例对装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0132]
下面对本技术实施例中的吸附能预测装置进行详细描述，图6为本技术实施例中提供的吸附能预测装置的一个结构示意图。如图6所示，该吸附能预测装置可以包括获取单元601和处理单元602。
[0133]
其中，获取单元601，用于获取待预测材料的目标结构和元素特征，目标结构用于表示以目标原子为中心、以预设截断半径从待预测材料的第一结构中获取得到的原子结构范围，第一结构为对待预测材料的最小重复晶胞进行对称性扩展后得到。获取单元601，用于根据待预测材料的目标结构获取目标距离信息以及目标夹角信息，目标距离信息用于指示目标原子与每个原子之间的距离，目标夹角信息用于指示目标原子与第一原子连接、以及目标原子与第二原子连接之间形成的夹角大小，第一原子为目标结构内的任意原子，或者，第一原子为以目标原子为中心、预设半径范围内的任意原子，预设半径由预设截断半径得到。处理单元602，用于基于目标距离信息和目标夹角信息确定待预测材料的目标结构特征。处理单元602，用于基于预设机器学习模型对目标结构特征和元素特征进行处理，得到预测标签，预测标签用于指示待预测材料的吸附能。
[0134]
在一些可选的示例中，处理单元602用于：基于第一距离信息以及预设截断半径确定第一值，第一值用于指示第一原子对吸附能的贡献度，第一距离信息用于指示目标原子与第一原子之间的距离；基于第一值、目标夹角信息、第二距离信息以及第三距离信息确定待预测材料的第一结构特征，第一结构特征用于指示目标原子、第一原子以及第二原子之间的原子结构关系，第二距离信息用于指示目标原子与第二原子之间的距离，第三距离信息用于指示第一原子与第二原子之间的距离；基于第一结构特征确定待预测材料的目标结构特征。
[0135]
在另一些可选的示例中，处理单元602用于：基于第二距离信息、预设截断半径确
定第二值，第二值用于指示第二原子对吸附能的贡献度；基于第三距离信息、预设截断半径确定第三值，第三值用于指示第一原子与第二原子对吸附能的贡献度；基于预设高斯模型对第一值、目标夹角信息、第一距离信息、第二距离信息、第三距离信息、第二值以及第三值进行处理，得到待预测材料的第一结构特征。
[0136]
在另一些可选的示例中，处理单元602还用于：基于第一值确定待预测材料的第二结构特征，第二结构特征用于指示目标原子周围的原子结构情况。处理单元602用于基于第一结构特征和第二结构特征确定待预测材料的目标结构特征。
[0137]
在另一些可选的示例中，处理单元602还用于：基于预设高斯模型对第一值以及第一距离信息进行处理，得到待预测材料的第三结构特征，第三结构特征用于指示目标原子与第一原子之间的原子结构关系；基于第一结构特征和第三结构特征确定待预测材料的目标结构特征。
[0138]
在另一些可选的示例中，处理单元602还用于：基于第一值确定待预测材料的第二结构特征，第二结构特征用于指示目标原子周围的原子结构情况；基于第一结构特征、第二结构特征以及第三结构特征确定待预测材料的目标结构特征。
[0139]
在另一些可选的示例中，处理单元602用于：将每个第一值进行求和处理，得到待预测材料的第二结构特征。
[0140]
在另一些可选的示例中，处理单元602用于：基于预设截断半径、目标结构被划分的层数确定每层目标结构的厚度信息；基于预设截断半径和厚度信息确定目标距离，目标距离用于指示目标原子到每层目标结构的边界之间的距离；基于第一距离信息、目标距离以及厚度信息确定第一值。
[0141]
在另一些可选的示例中，处理单元602用于：基于第二距离信息、目标距离以及厚度信息确定第二值，第二值用于指示第二原子对吸附能的贡献度；基于第三距离信息、目标距离以及厚度信息确定第三值，第三值用于指示第一原子与第二原子对吸附能的贡献度；基于预设余弦函数模型对第一值、第二值、第三值以及目标夹角信息进行处理，得到待预测材料的第一结构特征。
[0142]
在另一些可选的示例中，处理单元602还用于：基于预设余弦函数模型对第一值进行处理，得到待预测材料的第三结构特征，第三结构特征用于指示目标原子与第一原子之间的原子结构关系。处理单元602用于根据第一结构特征以及第三结构特征确定待预测材料的目标结构特征。
[0143]
在另一些可选的示例中，原子包括掺杂原子和至少两个基质原子。获取单元601用于：在至少两个基质原子中的每个基质原子的原子类型与其余结构中基质原子的原子类型相同时，获取掺杂原子的元素特征，以获取待预测材料的元素特征。
[0144]
在另一些可选的示例中，获取单元601还用于：在至少两个基质原子中的任意基质原子的原子类型与其余结构中基质原子的原子类型不相同时，获取掺杂原子的元素特征以及每个基质原子的元素特征，以获取待预测材料的元素特征。
[0145]
在另一些可选的示例中，获取单元601还用于：获取待预测材料的最小重复晶胞，最小重复晶胞包括掺杂原子、基质原子以及吸附分子。处理单元602用于：基于最小重复晶胞确定第一晶体结构，第一晶体结构中的掺杂原子被基质原子替换、以及第一晶体结构不包括吸附分子；以目标原子为中心，将第一晶体结构在预设第一方向以及预设第二方向分
别进行对称性扩展，得到第一结构。
[0146]
在另一些可选的示例中，目标原子包括掺杂原子，或者，目标原子包括吸附分子。
[0147]
上面从模块化功能实体的角度对本技术实施例中的吸附能预测装置进行描述，下面从硬件处理的角度对本技术实施例中的吸附能预测装置进行描述。图7是本技术实施例提供的吸附能预测装置的结构示意图。该吸附能预测装置可因配置或性能不同而产生比较大的差异。该吸附能预测装置可以至少一个处理器701，通信线路707，存储器703以及至少一个通信接口704。
[0148]
处理器701可以是一个通用中央处理器(central processing unit，cpu)，微处理器，特定应用集成电路(application-specific integrated circuit，服务器ic)，或一个或多个用于控制本技术方案程序执行的集成电路。
[0149]
通信线路707可包括一通路，在上述组件之间传送信息。
[0150]
通信接口704，使用任何收发器一类的装置，用于与其他装置或通信网络通信，如以太网，无线接入网(radio access network，ran)，无线局域网(wireless local area networks，wlan)等。
[0151]
存储器703可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储装置，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储装置，存储器可以是独立存在，通过通信线路707与处理器相连接。存储器也可以和处理器集成在一起。
[0152]
其中，存储器703用于存储执行本技术方案的计算机执行指令，并由处理器701来控制执行。处理器701用于执行存储器703中存储的计算机执行指令，从而实现本技术上述实施例提供的吸附能预测的方法。
[0153]
可选的，本技术实施例中的计算机执行指令也可以称之为应用程序代码，本技术实施例对此不作具体限定。
[0154]
在具体实现中，作为一种实施例，该吸附能预测装置可以包括多个处理器，例如图7中的处理器701和处理器702。这些处理器中的每一个可以是一个单核(single-cpu)处理器，也可以是一个多核(multi-cpu)处理器。这里的处理器可以指一个或多个装置、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
[0155]
在具体实现中，作为一种实施例，该吸附能预测装置还可以包括输出设备705和输入设备706。输出设备705和处理器701通信，可以以多种方式来显示信息。输入设备706和处理器701通信，可以以多种方式接收目标对象的输入。例如，输入设备706可以是鼠标、触摸屏装置或传感装置等。
[0156]
上述的该吸附能预测装置可以是一个通用装置或者是一个专用装置。在具体实现中，该吸附能预测装置可以是服务器、终端等或有图7中类似结构的装置。本技术实施例不限定该吸附能预测装置的类型。
[0157]
需说明，图7中的处理器701可以通过调用存储器703中存储的计算机执行指令，使得吸附能预测装置执行如图4对应的方法实施例中的方法。
[0158]
具体的，图6中的处理单元602的功能/实现过程可以通过图7中的处理器701调用存储器703中存储的计算机执行指令来实现。图6中的获取单元601的功能/实现过程可以通过图7中的通信接口704来实现。
[0159]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0160]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0161]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0162]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0163]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0164]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0165]
上述实施例，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0166]
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如ssd))等。
[0167]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。