技術領域

本發明涉及新材料合成技術領域，尤其涉及一種新材料合成工藝的智能設計系統及方法。

背景技術

材料是人類生產和生活的物質基礎，材料創新促進了技術的發展和產業的升級，是推動人類文明進步的重要動力之一。近十年來，世界材料產業的產值以每年約30％的速度增長，其中，微電子、光電子、化工新材料是發展最快、應用前景最廣的新材料領域。不同應用領域對材料的性能需求不同，然而，材料的性能包括物理，化學、光學、電學、生物學、磁性等不同方面的性能很大程度上由材料合成工藝決定，為了提升材料的某種性能，尋找優化的材料合成工藝是新材料開發中最具挑戰的一步。如圖1所示，為現有技術中新材料合成工藝建立的流程圖，現有技術中新材料合成工藝主要利用以試錯為基礎的大量實驗確定，通過反復調整新材料合成工藝的參數并對合成后的材料進行性能檢測來尋找符合性能要求的新材料合成工藝，通常需要經歷無數次失敗才有可能獲得符合性能要求的新材料，使得新材料的開發周期長，效率低，不能保證獲取的新材料合成工藝為最佳的合成工藝。

發明內容

本發明提供一種新材料合成工藝的智能設計系統及方法，通過對現有的文獻數據進行預處理后訓練和評估機器模型，使得機器模型輸出海量的新材料合成工藝參數及預測所述新材料的材料性能，大大縮短了新材料的開發周期，并為新材料的合成提供了智能優化的合成工藝。

為了解決上述技術問題，本發明所采取的技術方案為：

本發明一方面提供一種新材料合成工藝的智能設計系統，包括文獻數據采集模塊、文獻數據處理模塊、機器訓練與評估模塊、新材料設計模塊、新材料性能測試模塊；

文獻數據采集模塊用于通過數據挖掘技術采集包含原材料組成向量與合成材料性能向量的文獻數據，組成文獻數據集；

文獻數據處理模塊用于對采集的文獻數據集進行預處理，獲取合成材料對應的工藝參數及其性能參數，形成機器學習數據集；

機器訓練與評估模塊用于將機器學習數據集劃分為機器訓練數據集與機器評估數據集；將機器訓練數據集輸入至機器模型中，對機器模型進行訓練，并用機器評估數據集評估已訓練的機器模型的性能；

新材料設計模塊用于利用已訓練并評估的機器模型設計新材料合成工藝參數，并預測新材料的材料性能參數；

新材料性能測試模塊用于根據新材料設計模塊預測的新材料的材料性能參數篩選出需要合成的新材料，通過實驗合成所述篩選出的新材料，再對實驗獲得的新材料進行材料性能測試，計算新材料設計模塊預測的新材料的材料性能參數預測值與實驗合成的所述新材料的材料性能參數實測值之間的誤差；

機器訓練與評估模塊還用于利用機器模型設計的并經過實驗測試的新材料合成工藝參數及新材料的材料性能對機器模型進行再訓練。

進一步地，通過人工標注的方法對采集的文獻數據集進行預處理，獲取所述合成材料對應的工藝參數及其性能參數，組成用于機器模型訓練和評估的機器學習數據。

又進一步地，所述機器模型為基于人工神經網絡的機器模型，由輸入層、隱含層和輸出層組成。

具體地，所述機器模型的訓練包括正向傳播過程和反向傳播過程，所述正向傳播過程的輸入層輸入機器訓練數據集中的合成材料工藝參數，所述合成材料工藝參數經隱含層處理后，傳向輸出層，輸出層輸出合成材料性能參數預測值；所述反向傳播過程根據機器模型實際的輸入與輸出，采用梯度下降法及迭代運算計算機器模型各層權值參數。

具體地，所述機器評估數據集評估已訓練機器模型的性能時，輸入層輸入機器評估數據集中的合成材料工藝參數，所述合成材料工藝參數經隱含層處理后，傳向輸出層，輸出層輸出合成材料性能參數預測值。

更進一步地，所述材料合成工藝參數包括：原材料配比參數、溫度參數、壓力參數、化學反應時間參數；所述材料性能參數包括物理性能參數、化學性能參數。

本發明另一方面提供一種新材料合成工藝的智能設計方法，其特征在于：包括如下步驟：

根據原材料組成向量與合成材料性能向量采集文獻數據；

獲取合成材料對應的工藝參數及其性能參數；

對機器模型進行訓練，并評估已訓練的機器模型的性能；

已訓練并評估的機器模型設計新材料合成工藝參數，并預測新材料的材料性能參數；

篩選出需要合成的新材料，并通過實驗合成所述新材料，再對所述新材料進行材料性能測試；

對機器模型進行再訓練。