(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211486806.7 (22)申请日 2022.11.25 (71)申请人 安徽大学 地址 230031 安徽省合肥市蜀山区肥西路3 号 申请人 中国科学院合肥物质科 学研究院 (72)发明人 庄重　张来生　 (74)专利代理 机构 合肥中谷知识产权代理事务 所(普通合伙) 34146 专利代理师 杜瑶 (51)Int.Cl. G16C 20/20(2019.01) G16C 20/70(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于原子尺度特征描述符预测钙钛矿 晶格常数的方法 (57)摘要 本发明涉及一种基于原子尺度特征描述符 预测钙钛矿晶格常数的方法， 包括以下步骤： S1、 通过不同来源采集各种晶体结构的ABX3型钙钛 矿的晶格常数及元素特征数据， 经过筛选后获得 原始数据集； S2、 计算每种ABX3型钙钛矿的键价 向量和BVVS、 N个原 子体系总 动能Ekin和晶体的热 膨胀系数α， 将上述参数共同作为分子描述符； S3、 基于所述原始数据集和所述分子描述符构建 训练集和测试集； S4、 基于AdaRNN神经网络算法 模型构建晶格常数预测模 型， 根据S2的训练集和 测试集对所构建的晶格常数预测模 型进行训练， 得到训练好的晶格 常数预测模型； 本发明在不需 要任何人工干预的情况下， 可以大规模自动化快 速地获得相当精确的钙钛矿晶格常数。 权利要求书3页 说明书10页 附图3页 CN 115547425 A 2022.12.30 CN 115547425 A 1.一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 包括如下 步骤： S1、 通过不同来源采集各种晶体结构的ABX3型钙钛矿的晶格常数及元素特征数据， 根 据容忍因子 筛选后获得 具有稳定结构的钙钛矿数据并作为原 始数据集； S2、 在所述原始数据集的基础上， 根据键价理论、 动力学和热力学原理计算每种ABX3型 钙钛矿的键价向量和BVVS、 N个原子体系总动能Ekin和晶体的热膨胀系数α， 将上述参数共同 作为特征描述符数据； S3、 基于所述原 始数据集和所述特 征描述符构建训练集和 测试集； S4、 基于改进的AdaRNN神经网络算法模型构建晶体空间群识别模型， 根据S2的训练集 和测试集对所构建的空间群识别模型进行训练， 得到训练好的空间群识别模型； S5、 针对待预测的钙钛矿材料， 利用训练好的晶格常数预测模型预测该钙钛矿材料的 晶格常数和采用训练好的空间群识别模型识别该钙钛矿材 料。 2.根据权利要求1所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S1中不同来源具体为实验数据、 数据库数据、 已发表的论文数据。 3.根据权利要求2所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S1中元素特征数据还包括原子个数、 原子序数、 周期表中的组、 周期表中 的周期、 原子质量、 摩尔体积、 原子半径、 离子半径、 范德华半径、 共价半径、 鲍林电负性、 电 子亲和性、 导热系数、 沸点、 熔点、 临界温度、 熔化焓、 第一电离能、 s轨道 中的电子数、 p轨道 中的电子数、 d轨道中的电子数、 f轨道中的电子数、 电阻率。 4.根据权利要求3所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S1中的筛 选， 具体步骤如下： 根据公式(1)  计算出每种钙钛矿Goldschmid容忍因子值t， 筛选0.8<t≤1.0  范围内的 所有数据作为第一数据集；           （1） 式中， rA、 rB和rX分别是ABX3型钙钛矿材 料中A位、 B位和X位的有效离 子半径。 5.根据权利要求4所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S2中钙钛矿键价向量和BV VS的具体 计算公式如下：             （2）               （3）           （4） 式中， b是一个常量为0.37   Å， R0与原子或离子类型有关的经验常数， 为原子i和原子权　利　要　求　书 1/3 页 2 CN 115547425 A 2j之间的键价， 为原子i和原子j之间的键长， 是原子i指向原子j的单位向量， 为 原子价态， 即键价向量和BV VS； 所述S2中N个原子体系总动能Ekin的计算过程为： 根据分子动力学模拟分别计算出AB X3 型钙钛矿中N个原子体系 总动能Ekin， 具体为：         （5） 式中， N为原子个数， mi为第i个原子的质量， vi为第i个原子的速度； 所述S2中晶体的热膨胀系数α 的计算过程 为：        （6） 式中， κ 为波尔滋蔓常数， Z、 M分别为阳离子化合价和配位数， U （AB） 为晶格能， Δ为原子 序数相关 常数， β 为与结构类型相关参数。 6.根据权利要求5所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S3具体为： S301、 将新的特征描述符数据加入原始数据集获得样本数据集， 再对实验数据、 数据库 数据、 已发表的论文数据不同来源的数据设置比例因子γ； S302、 按照比例因子γ对数据进行拼接汇总， 把拼接好的数据打乱顺序， 随机划分出 90%的训练集和10%的测试集。 7.根据权利要求6所述的一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法， 其特征在于， 所述S4中改进的AdaRN N神经网络算法模型 具体为： S401、 构建原始RNN层， 输入x1， x2  ，…， xt， 对应隐藏状态h1， h2   …， ht， 输出y1， y2   …，  yt， 运算过程可以表示 为：         （7）           （8） 其中， U、 W、 V、 b、 c均为 参数， 而f表示激活函数， 具体为tanh函数； S402、 构建第一个模块， 即由五块带有自注意力机制的一维的ResNet残差块连接组成， 将残差块中的卷积层全部替换成全连接层； S403、 构建第二个模块， 即采用GRU和LSTM串接连接组成的单 元； S404、 构建第三个模块， 即2层CN N模块， 卷积核为1x1； S405、 把上述第一个模块、 第二个模块并联起来， 并且纵向用第三个模块串联起这两个 模块， 最后整体串联到RNN上， 若是识别空间群最后一层设置为B ×N×1卷积层， B表示批次 数， N表示输入维度， 若是 预测晶格常数， 最后一层设置全连接层； S406、 设置阈值， 根据阈值判断学习过程是向前推进还是循环重复学习， 若两个模块学 习后的差值绝对值小于阈值， 立刻把输出y1， y2   …， yt传送到最后一层； 若两个模块学习权　利　要　求　书 2/3 页 3 CN 115547425 A 3