一种基于深度学习的材料自旋霍尔电导预测方法

1.本发明属于材料性质预测技术领域，具体涉及一种基于深度学习的材料自旋霍尔电导预测方法的设计。


背景技术：

2.在材料的众多物理效应中，霍尔效应是一种重要的电磁效应，当导体材料受到一个与其内通过的电流方向垂直的磁场时，在洛伦兹力的影响下，导体材料中的电子会聚集在导体材料两端，形成磁场，使得后面通过的载流子不发生偏移。霍尔效应在传感器的制作上有着广泛的应用。自旋霍尔效应是一种特殊且重要的霍尔效应，通过在半导体材料内进行垂直方向的自发诱导，可以大大提升半导体材料的电导。自旋霍尔电导可以使材料的能量耗散降到很低，生产的器件对于计算机和量子计算领域都有巨大的推动作用。
3.在材料科学领域，通常使用高通量方法对自旋霍尔电导进行计算，这种方法一般耗时较长，计算周期为一周左右，同时需要消耗较大的计算资源。近年来，随着深度学习技术的发展，越来越多的科学家将其应用于材料性质预测领域，根据以往的实验数据，分析预测影响待预测性质的因素和其变化的规律，目前已经有材料科学家构建深度学习神经网络模型对材料能带间隙结构进行预测，还有利用卷积神经网络对化合物的形成能和超导转变温度进行预测。
4.目前，利用深度学习技术对材料自旋霍尔电导预测的研究较少，根据材料科学相关理论研究指出，材料的能带数据对自旋霍尔电导有一定的影响作用，因此需要一种技术利用材料能带数据对自旋霍尔电导进行预测，以缩短获取材料的自旋霍尔电导的时间，同时还能够验证材料的某些物理性质对自旋霍尔电导的影响，为材料科学的理论发展提供参考。


技术实现要素：

5.本发明的目的是为了解决现有自旋霍尔电导计算方法耗时较长且需要消耗较大的计算资源的问题，提出了一种基于深度学习的材料自旋霍尔电导预测方法。
6.本发明的技术方案为：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：
7.s1、采集考虑电子自旋通道耦合作用的材料能带数据，并对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。
8.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。
9.s3、构建深度神经网络模型。
10.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。
11.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。
12.进一步地，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。
13.进一步地，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。
14.进一步地，步骤s2中训练集、验证集和测试集的比例为7:2:1。
15.进一步地，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。
16.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。
17.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。
18.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。
19.全连接层用于输出材料自旋霍尔电导预测结果。
20.进一步地，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。
21.进一步地，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。
22.进一步地，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。
23.进一步地，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。
24.进一步地，步骤s4包括以下分步骤：
25.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。
26.s42、将均方误差mse作为损失函数。
27.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。
28.本发明的有益效果是：
29.(1)本发明采用的自旋霍尔电导预测的数据集中所包含的数据量充分，得到的实际预测数据与理想预测数据的偏差较小，预测精度较高。
30.(2)本发明在对新材料的自旋霍尔电导进行预测时，只需要考虑自旋轨道耦合作用的能带数据即可，预测速度较快，占用计算资源少。
附图说明
31.图1所示为本发明实施例提供的一种基于深度学习的材料自旋霍尔电导预测方法
流程图。
32.图2所示为本发明实施例提供的材料能带数据中能带劈裂现象示意图。
33.图3所示为本发明实施例提供的能带特征提取模块结构示意图。
34.图4所示为本发明实施例提供的时序特征提取模块结构示意图。
35.图5所示为本发明实施例提供的transformer特征提取模块结构示意图。
具体实施方式
36.现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
37.本发明实施例提供了一种基于深度学习的材料自旋霍尔电导预测方法，如图1所示，包括以下步骤s1～s5：
38.s1、采集考虑电子自旋通道耦合作用的材料能带数据，并对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。
39.本发明实施例中，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。
40.本发明实施例中，对能带数据进行扩充，将原本的114条能带数据扩充为10019条数据，每条数据的能带矩阵由原本高306，宽27裁剪为高306，宽5，每条能带数据对应一个自旋霍尔电导值。
41.本发明实施例中，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。
42.本发明实施例中，对出现能带劈裂现象的能带数据，如图2所示，图中nosoc为不考虑轨道耦合作用的能带数据，soc为考虑轨道耦合作用的能带数据，存在劈裂现象。根据能带劈裂程度不同划分为10个区间，分别为0.1～1.0ev，区间长度为0.1，以及大于1.0ev，统计不同劈裂程度对自选霍尔电导的影响，为每个区间内的劈裂程度赋予不同的权重，每个区间的权重系数如表1所示，产生劈裂现象的能量值为同轨道两条能带上同点位较低的能量值与赋权的劈裂程度之和。
43.表1
[0044][0045]
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。
[0046]
本发明实施例中，训练集、验证集和测试集的比例为7:2:1。训练集中包含7013条数据，验证集中包含2004条数据，测试集中包含1002条数据。
[0047]
s3、构建深度神经网络模型。
[0048]
本发明实施例中，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。
[0049]
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。
[0050]
如图3所示，本发明实施例中，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，采用一维卷积进行特征提取，经过3层卷积提取之后，通道数变为128，序列长度变为163。能带特征提取模块基于残差网络结构进行设计，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，后接一个平均池化层，输出序列长度为73。
[0051]
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。
[0052]
如图4所示，本发明实施例中，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，lstm进行时序特征提取之后都会接一个dropout层。
[0053]
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。
[0054]
如图5所示，本发明实施例中，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。
[0055]
全连接层用于输出材料自旋霍尔电导预测结果。
[0056]
本发明实施例中，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。
[0057]
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。
[0058]
步骤s4包括以下分步骤s41～s43：
[0059]
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。
[0060]
s42、将均方误差mse作为损失函数。
[0061]
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。
[0062]
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。
[0063]
本发明实施例中，采用平均绝对误差mae、均方误差mse、均方根误差rmse和决定系数r2作为评价指标，在将测试集输入训练好的深度神经网络模型输出得到的材料自旋霍尔电导预测结果的各项评价指标如表2所示，表2中的soc-shc为考虑轨道耦合作用的能带数据对应的自旋霍尔电导值，可以看出，本发明方法的预测结果与实际的误差较小。
[0064]
表2
[0065][0066]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。