基于模块化深度学习的材料属性预测方法和装置

本发明涉及材料大数据，尤其涉及一种基于模块化深度学习的材料属性预测方法和装置。

背景技术：

1、现有基于深度学习的材料知识共享方案可以分为两类：（1）在某一特定材料任务上预训练神经网络，并在下游任务上微调网络；（2）在所有源任务上预训练神经网络骨架，并直接将所有网络集成后用于下游任务微调。现有技术的缺点有：（1）缺乏灵活性。现有方案针对每一个下游任务都会从相同的源任务中共享知识，无法对上游异质材料知识进行解耦和筛选，从而容易造成材料知识的负迁移；（2）参数低效。现有方案均需要复制完整的预训练网络以实现知识共享。鉴于神经网络的过参数化特点，现有方案使用加大的空间成本来存储材料知识，不利于知识的传输与分享。

2、如何有效实现不同材料属性间的知识解耦与共享，是目前需要解决的技术问题。

技术实现思路

1、本发明提供一种基于模块化深度学习的材料属性预测方法和装置，用以解决现有技术中存在的缺陷。

2、本发明提供一种基于模块化深度学习的材料属性预测方法，应用于云端材料知识共享平台，所述云端材料知识共享平台加载有材料知识库，所述材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，所述异质材料任务用于实现材料的属性预测；

3、包括如下步骤：

4、接收用户上传的目标材料的目标属性预测问题；

5、基于所述目标属性预测问题在所述材料知识库中查询，确定对应的目标参数模块，并将所述目标参数模块返回至所述用户；其中，所述目标参数模块用于：使用户基于所述目标参数模块训练模型，并基于训练后的模型进行目标材料的属性预测。

6、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述接收用户上传的目标材料的目标属性预测问题之前，所述方法还包括：

7、获取预训练材料表示骨架；其中，所述预训练材料表示骨架用于挂载参数模块；

8、对于多个预设的异质材料任务，分别为每个异质材料任务设计并挂载对应的参数模块至所述预训练材料表示骨架上；其中，所述参数模块用于存储对应异质材料任务的异质知识；

9、将每个异质材料任务对应的参数模块进行存储，得到所述材料知识库。

10、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述对于多个预设的异质材料任务，分别为每个异质材料任务设计并挂载对应的参数模块至所述预训练材料表示骨架上，包括：

11、对于每个异质材料任务，生成对应的初始参数模块，并将所述初始参数模块挂载至所述预训练材料表示骨架上；

12、通过路由网络将所述异质材料任务的异质知识路由到对应的初始参数模块中，得到所述异质材料任务对应的参数模块。

13、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述将所述多个异质材料任务中的每个异质材料任务对应的参数模块进行存储，得到所述材料知识库，包括：

14、对参数模块进行联合训练；

15、在训练符合收敛条件的情况下，将训练后的参数模块进行存储，得到所述材料知识库。

16、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述基于所述目标属性预测问题在所述材料知识库中查询，确定对应的目标参数模块，包括：

17、基于所述目标属性预测问题，通过自适应模块化组装ama算法在所述材料知识库中查询，得到多个目标轻量化参数子模块；其中，所述多个目标轻量化参数子模块的组合是：使泛化误差最低的模块组合；

18、对所述多个目标轻量化参数子模块进行组装拼接，得到所述目标属性预测问题对应的目标参数模块。

19、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述基于所述目标属性预测问题，通过自适应模块化组装ama算法在所述材料知识库中查询，得到多个目标轻量化参数子模块，包括：

20、基于标签传播的预测算法进行计算，得到每个参数模块在目标属性预测问题对应的目标异质材料任务上的预测性能；

21、基于所述每个参数模块的预测性能，通过基于目标算法的模块化权重优化，得到所述多个目标轻量化参数子模块；其中，所述目标算法为无需训练的优化算法。

22、根据本发明提供的一种基于模块化深度学习的材料属性预测方法，所述对所述多个目标轻量化参数子模块进行组装拼接，得到所述目标属性预测问题对应的目标参数模块，包括：

23、对所述多个目标轻量化参数子模块进行组装，并将组装后的多个目标轻量化参数子模块拼接到所述预训练材料表示骨架上，生成所述目标属性预测问题对应的目标异质材料任务的深度学习模型；

24、对所述深度学习模型进行联合微调，以基于联合微调后的深度学习模型进行目标属性预测参数模块。

25、本发明还提供一种基于模块化深度学习的材料属性预测装置，应用于云端材料知识共享平台，所述云端材料知识共享平台加载有材料知识库，所述材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，所述异质材料任务用于实现材料的属性预测；

26、包括如下模块：

27、接收模块，用于接收用户上传的目标材料的目标属性预测问题；

28、确定模块，用于基于所述目标属性预测问题在所述材料知识库中查询，确定对应的目标参数模块，并将所述目标参数模块返回至所述用户；其中，所述目标参数模块用于：使用户基于所述目标参数模块训练模型，并基于训练后的模型进行目标材料的属性预测。

29、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于模块化深度学习的材料属性预测方法。

30、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于模块化深度学习的材料属性预测方法。

31、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于模块化深度学习的材料属性预测方法。

32、本发明提供的一种基于模块化深度学习的材料属性预测方法和装置，应用于云端材料知识共享平台，所述云端材料知识共享平台加载有材料知识库，所述材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，所述异质材料任务用于实现材料的属性预测；通过接收用户上传的目标材料的目标属性预测问题；基于所述目标属性预测问题在所述材料知识库中查询，确定对应的目标参数模块，并将所述目标参数模块返回至所述用户；其中，所述目标参数模块用于：使用户基于所述目标参数模块训练模型，并基于训练后的模型进行目标材料的属性预测。由此可知，本发明针对数据丰富的任务训练了一系列蕴含解耦材料知识的参数模块，建立了材料知识库，从材料知识库中选取与给定下游任务最相关的参数模块，效率较高；基于选定的参数模块训练模型并进行微调，有效适配下游材料属性预测任务。

技术特征：

1.一种基于模块化深度学习的材料属性预测方法，其特征在于，应用于云端材料知识共享平台，所述云端材料知识共享平台加载有材料知识库，所述材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，所述异质材料任务用于实现材料的属性预测；

2.根据权利要求1所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述接收用户上传的目标材料的目标属性预测问题之前，所述方法还包括：

3.根据权利要求2所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述对于多个预设的异质材料任务，分别为每个异质材料任务设计并挂载对应的参数模块至所述预训练材料表示骨架上，包括：

4.根据权利要求2所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述将所述多个异质材料任务中的每个异质材料任务对应的参数模块进行存储，得到所述材料知识库，包括：

5.根据权利要求1所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述基于所述目标属性预测问题在所述材料知识库中查询，确定对应的目标参数模块，包括：

6.根据权利要求5所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述基于所述目标属性预测问题，通过自适应模块化组装ama算法在所述材料知识库中查询，得到多个目标轻量化参数子模块，包括：

7.根据权利要求5所述的基于模块化深度学习的材料属性预测方法，其特征在于，所述对所述多个目标轻量化参数子模块进行组装拼接，得到所述目标属性预测问题对应的目标参数模块，包括：

8.一种基于模块化深度学习的材料属性预测装置，其特征在于，应用于云端材料知识共享平台，所述云端材料知识共享平台加载有材料知识库，所述材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，所述异质材料任务用于实现材料的属性预测；

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于模块化深度学习的材料属性预测方法。

10.一种非暂态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7任一项所述基于模块化深度学习的材料属性预测方法。

技术总结
本发明提供一种基于模块化深度学习的材料属性预测方法和装置，应用于云端材料知识共享平台，云端材料知识共享平台加载有材料知识库，材料知识库包括：多组参数模块，一组参数模块对应一个异质材料任务，异质材料任务用于实现材料的属性预测；方法包括：接收用户上传的目标材料的目标属性预测问题；基于目标属性预测问题在材料知识库中查询，确定对应的目标参数模块，并将目标参数模块返回至用户；其中，目标参数模块用于：使用户基于目标参数模块训练模型，并基于训练后的模型进行目标材料的属性预测。通过本发明提供的方法，从材料知识库中选取与给定下游任务最相关的模块，有效适配下游材料属性预测任务。

技术研发人员：周浩,欧阳亚文,王波添,张建兵,马维英
受保护的技术使用者：清华大学
技术研发日：
技术公布日：2025/3/6