一种基于深度学习的材料自旋霍尔电导预测方法

技术特征：
1.一种基于深度学习的材料自旋霍尔电导预测方法，其特征在于，包括以下步骤：s1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；s2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；s3、构建深度神经网络模型；s4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；s5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。2.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤s1中数据扩充的具体方法为：选取自旋霍尔电导所在能量附近的五条能带作为一条能带数据，每条能带数据包括306个点位和每个点位对应的能量值。3.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤s1中数据处理的具体方法为：当某个点位能带劈裂程度大于0.1ev时，该点位的能量值为同轨道两条能带上同点位较低的能量值与带权值的能带劈裂程度之和。4.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤s2中训练集、验证集和测试集的比例为7:2:1。5.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤s3中构建的深度神经网络模型包括依次连接的能带特征提取模块、时序特征提取模块、transformer特征提取模块和全连接层；所述能带特征提取模块用于接收输入的二维能带数据，对每条能带的物理特征进行提取，并作为时序特征提取模块的输入；所述时序特征提取模块用于对每条能带的时序特征进行提取，并作为transformer特征提取模块的输入；所述transformer特征提取模块用于对能带间特征进行提取，并作为全连接层的输入；所述全连接层用于输出材料自旋霍尔电导预测结果。6.根据权利要求5所述的材料自旋霍尔电导预测方法，其特征在于，所述能带特征提取模块的输入通道数为5，每个通道序列长度为306，基于残差网络结构进行设计，采用一维卷积进行特征提取，将4种残差模块进行堆叠，第一种残差模块的个数为3，输出通道数为256，第二种残差模块的个数为4，输出通道数为512，第三种残差模块的个数为6，输出通道数为1024，第四种残差模块的个数为3，输出通道数为2048，输出序列长度为73。7.根据权利要求5所述的材料自旋霍尔电导预测方法，其特征在于，所述时序特征提取模块的输入序列长度为73，输入通道数为2048，采用层数为2的双向lstm和残差的方式设计基础模块，由三个基础模块堆叠组成时序特征提取模块。8.根据权利要求5所述的材料自旋霍尔电导预测方法，其特征在于，所述transformer特征提取模块采用通道注意力机制和transformer的编码器设计基础模块，将三个基础模块堆叠构成transformer特征提取模块，输出序列长度为73，输出通道数为128。9.根据权利要求5所述的材料自旋霍尔电导预测方法，其特征在于，所述全连接层的输出大小为1000，使用relu激活函数对自旋霍尔电导进行预测。10.根据权利要求1所述的材料自旋霍尔电导预测方法，其特征在于，所述步骤s4包括以下分步骤：
s41、将深度神经网络模型的mini-batch设置为16，batch-size设置为64，初始学习率设置为0.005，迭代次数设置为500，参数随机初始化；s42、将均方误差mse作为损失函数；s43、将训练集和验证集输入深度神经网络模型，当验证集的损失函数值在预设范围内不下降时，停止训练，得到训练好的深度神经网络模型。

技术总结
本发明公开了一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。本发明采用的数据集的数据量充分，得到的预测结果与真实结果较为接近，预测速度较快，占用计算资源少。占用计算资源少。占用计算资源少。


技术研发人员：张栗粽 郑旭 孙明 张明慧 柯威宏
受保护的技术使用者：电子科技大学
技术研发日：2022.08.17
技术公布日：2022/11/29