申请/专利权人:四川大学
申请日:2023-12-21
公开(公告)日:2024-03-22
公开(公告)号:CN117747014A
主分类号:G16C20/50
分类号:G16C20/50;G16C20/70;G16C20/30;G16C60/00;G16C10/00;G06F30/27;G06N3/0442;G06N3/048;G06N3/047;G06N3/08;G06N3/045;G06F111/06;G06F111/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明公开了基于多目标优化的含能材料的人工智能设计方法,构建含能材料数据集;构建基于深度学习的含能分子生成模型,使用含能分子生成模型生成新含能分子搜索空间;构建并训练含能材料的爆热预测模型和键离解能预测模型;基于爆热预测模型和键离解能预测模型结合二维改进概率方法对搜索空间的分子进行多目标优化;对筛选出的分子进行量化计算验证含能材料多目标优化工作框架的有效性。本发明针对含能材料体系的小样本训练及矛盾性质优化问题,成功构建了一个高效的含能分子设计框架,能快速从未探索的广阔化学空间中筛选兼顾能量及安全要求的含能候选分子。
主权项:1.一种基于多目标优化的含能材料的人工智能设计方法,其特征在于,包括:步骤S100、构建含能材料数据集;步骤S200、构建基于深度学习的含能分子生成模型,使用含能分子生成模型生成新含能分子搜索空间;步骤S300、构建并训练含能材料的爆热预测模型和键离解能预测模型;步骤S400、基于爆热预测模型和键离解能预测模型并结合二维改进概率方法对搜索空间的分子进行多目标优化:使用爆热预测模型和键离解能预测模型分别对搜索空间中的未知样本进行预测,获得每一个样本的爆热和键离解能预测值以及各自的预测不确定度;使用每一个样本的爆热和键离解能预测值以及各自的预测不确定度计算该样本的二维改进概率PI,对所有样本的二维PI进行排名,二维PI越大说明这个点越有可能成为理想的含能材料候选者,选择前N1个二维PI最大的化合物作为候选计算分子;N1为正整数;步骤S500、对二维PI排名前N2的化合物进行量化验证,获取每一个化合物的爆热、键离解能、密度、爆速和爆压值,并进一步分析候选分子的性能与结构,验证含能材料多目标优化工作框架的有效性,N2为正整数且N2<N1。
全文数据:
权利要求:
百度查询: 四川大学 基于多目标优化的含能材料的人工智能设计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。