一种钙钛矿量子点的机器学习预测方法及系统与流程

本发明属于钙钛矿量子点、机器学习、新材料性能预测、纳米材料、人工智能领域，具体涉及一种钙钛矿量子点的机器学习预测方法及系统。

背景技术：

1、钙钛矿材料具有众多优异的性质，如吸光系数高、载流子迁移率高、缺陷容忍度较高等特点。钙钛矿材料可以通过调整材料配比改变能带间隙，进而改变吸收阳光的光子波长成分。钙钛矿量子点是一种具有优异光电性能的纳米材料，可以应用于显示器、太阳能电池、生物成像等领域。钙钛矿量子点的光电性能主要取决于其尺寸、形貌、晶相、组成等因素，这些因素又受到合成工艺的影响。因此，控制和优化合成工艺是提高钙钛矿量子点性能的关键。

2、钙钛矿量子点是一类引人注目的材料，具有出色的光电性能和广泛的应用前景。然而，制备高质量的钙钛矿量子点并优化其性能是一个复杂且具有挑战性的任务。

3、目前，钙钛矿量子点的合成工艺主要依赖于经验和实验，还停留在传统的试错法阶段，缺乏理论指导和模型预测。这不仅导致了合成效率低下，而且难以实现精确控制和优化。同时，由于量子点特性受多种因素的影响，因此仅仅从制备工艺的角度来预测量子点的性质是相对来说更具挑战性。然而，表征图片中含有很多重要信息，例如围观形貌、相结构、甚至晶粒大小的均匀性等。因此，通过加入表征图片对钙钛矿量子点的预测具有重要的意义。其次，使用有偏差分布的钛矿初始数据集训练的ml模型可能泛化性差，并且在数据分布独特的区域可能预测不佳。近年来，人工智能快速发展，机器学习被广泛应用到了众多领域。机器学习具有较强的处理数据的能力，门槛相对较低，同时也可以有效降低工业开发中的人力物力成本，并且缩短研发周期，是一种最有效的替代实验的方法。因此，开发一种基于机器学习的预测和优化方法来分析并加快实验进程，对于提高钙钛矿量子点的合成质量和效率具有重要意义。

技术实现思路

1、针对现有技术的不足，本发明提出了一种钙钛矿量子点的机器学习预测方法及系统，根据合成工艺参数，预测出合成出的量子点的光谱特性，并根据目标光谱特性，反向优化出最佳的合成工艺参数。同时，加入表征图片还能从微观形貌的角度创建特征，提供更多有效信息，进一步提升了预测的准确性。

2、为实现上述目的，本发明提供了如下方案：

3、一种钙钛矿量子点的机器学习预测方法，包括以下步骤：

4、采集并标注钙钛矿量子点的合成数据；

5、对所述合成数据进行预处理；

6、基于预处理后的所述合成数据，使用机器学习算法，构建机器学习预测模型；

7、对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维，将降维后的特征输入所述机器学习预测模型中进行特征辅助预测。

8、优选的，所述合成数据包括：合成工艺参数和对应的光谱特性；

9、其中，所述合成工艺参数包括：材料含量配比、温度、转速；

10、所述对应的光谱特性包括：波长、荧光量子产率plqy、半峰宽。

11、优选的，对所述合成数据进行预处理的方法包括：数据清洗、归一化、降维操作。

12、优选的，使用机器学习算法，构建机器学习预测模型的方法包括：

13、使用随机森林、xgboost、adaboost、lgbm或catboost进行机器学习预测模型的构建。

14、优选的，对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维的方法包括：

15、使用迁移学习的方法，利用预训练的深度神经网络模型提取tem图片中的特征向量；

16、使用pca主成分分析法对所述特征向量降维生成最终特征。

17、本发明还提供了一种钙钛矿量子点的机器学习预测系统，包括：采集模块、预处理模块、构建模块和预测模块；

18、所述采集模块用于采集并标注钙钛矿量子点的合成数据；

19、所述预处理模块用于对所述合成数据进行预处理；

20、所述构建模块用于基于预处理后的所述合成数据，使用机器学习算法，构建机器学习预测模型；

21、所述预测模块用于对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维，将降维后的特征输入所述机器学习预测模型中进行特征辅助预测。

22、优选的，所述合成数据包括：合成工艺参数和对应的光谱特性；

23、其中，所述合成工艺参数包括：材料含量配比、温度、转速；

24、所述对应的光谱特性包括：波长、荧光量子产率plqy、半峰宽。

25、优选的，对所述合成数据进行预处理的过程包括：数据清洗、归一化、降维操作。

26、优选的，使用机器学习算法，构建机器学习预测模型的过程包括：

27、使用随机森林、xgboost、adaboost、lgbm或catboost进行机器学习预测模型的构建。

28、优选的，对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维的过程包括：

29、使用迁移学习的方法，利用预训练的深度神经网络模型提取tem图片中的特征向量；

30、使用pca主成分分析法对所述特征向量降维生成最终特征。

31、与现有技术相比，本发明的有益效果为：

32、1、本发明收集并标注了大量钙钛矿量子点的合成数据，包括合成工艺参数和光谱特性。基于这些数据，本发明构建了一个数据驱动的预测模型，可以快速准确地预测不同工艺参数下量子点的光谱特性。

33、2、本发明引入了tem(透射电子显微镜)图像作为训练特征之一。为了加入量子点制备后的微观形貌对光谱特性有影响的附加信息，本发明使用图像处理技术提取tem图像中的特征，并将其与其他参数结合起来进行预测。

34、3、在选择下一个实验时，本发明采用自适应策略。这意味着本发明根据先前实验数据和机器学习洞察力来定位这些未被完全探索的区域，从而更有效地探索数据空间。通过优化钙钛矿初始数据集，对钙钛矿初始数据集分布稀疏区域进行有针对性的实验补充，提高了训练数据集的多样性和均匀性，从而提高了机器学习模型的预测准确性。同时根据数据分布的特征，定量地进行补充实验的设计和执行，避免了盲目或随机地进行数据增强或生成，提高了数据质量和可信度。(结合数据降维和lhs方法，来进行实验验证并补充数据集)。

35、4、本发明将来自先前实验数据的概率约束作为知识转移的一部分。这使得本发明可以在不同实验之间灵活地传递知识，加速优化过程。

技术特征：

1.一种钙钛矿量子点的机器学习预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的钙钛矿量子点的机器学习预测方法，其特征在于，所述合成数据包括：合成工艺参数和对应的光谱特性；

3.根据权利要求1所述的钙钛矿量子点的机器学习预测方法，其特征在于，对所述合成数据进行预处理的方法包括：数据清洗、归一化、降维操作。

4.根据权利要求1所述的钙钛矿量子点的机器学习预测方法，其特征在于，使用机器学习算法，构建机器学习预测模型的方法包括：

5.根据权利要求1所述的钙钛矿量子点的机器学习预测方法，其特征在于，对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维的方法包括：

6.一种钙钛矿量子点的机器学习预测系统，其特征在于，包括：采集模块、预处理模块、构建模块和预测模块；

7.根据权利要求6所述的钙钛矿量子点的机器学习预测系统，其特征在于，所述合成数据包括：合成工艺参数和对应的光谱特性；

8.根据权利要求6所述的钙钛矿量子点的机器学习预测系统，其特征在于，对所述合成数据进行预处理的过程包括：数据清洗、归一化、降维操作。

9.根据权利要求6所述的钙钛矿量子点的机器学习预测系统，其特征在于，使用机器学习算法，构建机器学习预测模型的过程包括：

10.根据权利要求6所述的钙钛矿量子点的机器学习预测系统，其特征在于，对tem图片使用迁移学习的方式提取特征，再对提取的特征进行降维的过程包括：

技术总结
本发明公开了一种钙钛矿量子点的机器学习预测方法及系统，包括以下步骤：采集并标注钙钛矿量子点的合成数据；对所述合成数据进行预处理；基于预处理后的所述合成数据，使用机器学习算法，构建机器学习预测模型；对TEM图片使用迁移学习的方式提取特征，再对提取的特征进行降维，将降维后的特征输入所述机器学习预测模型中进行特征辅助预测。本发明根据合成工艺参数，预测出合成出的量子点的光谱特性，并根据目标光谱特性，反向优化出最佳的合成工艺参数。同时，加入表征图片还能从微观形貌的角度创建特征，提供更多有效信息，进一步提升了预测的准确性。

技术研发人员：刘家凯,林熹,杨安泰,李勇飞,魏艺,张靖梓,钟承权,刘昊天,胡凯龙,姚克欣
受保护的技术使用者：桑若（厦门）光伏产业有限公司
技术研发日：
技术公布日：2024/2/29