买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京工业大学申请的专利基于深度学习的钙钛矿性质预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117037140B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311030260.9，技术领域涉及：G06V20/64；该发明授权基于深度学习的钙钛矿性质预测方法是由万夕里;卞东浩;管昕洁设计研发完成，并于2023-08-16向国家知识产权局提交的专利申请。

本基于深度学习的钙钛矿性质预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的钙钛矿性质预测方法，本发明将钙钛矿材料表示为点云数据，在AtomPointTransformer层中使用高斯注意力掩模编码原子间的几何位置关系，从而引入了完整的局部空间几何信息。本方法直接以CIF文件作为输入，避免了对钙钛矿材料的结构进行人为预处理，有效提取了钙钛矿材料的特征信息，解决了传统机器学习方法依赖人工特征的问题，成功实现对于钙钛矿性质快速高精度的预测。

本发明授权基于深度学习的钙钛矿性质预测方法在权利要求书中公布了：1.一种基于深度学习的钙钛矿性质预测方法，其特征在于，采用神经网络结构模型作为预测模型对钙钛矿性质进行预测；构建预测模型包括如下步骤； 步骤1提取钙钛矿的表示用作预测模型的输入； 步骤2构建由多层感知机、AtomPointTransformer模块、TransitionDown模块构成的神经网络结构模型作为钙钛矿性质的预测模型； 步骤3将样本数据作为预测模型的输入，进行模型的训练和测试过程，验证模型的预测效果；将训练完成的预测模型用于实际预测； 所述步骤1包括如下子步骤： 步骤1.1从晶体学信息文件CIF中提取钙钛矿材料中每个原子的三维坐标，将其表示为一个N×3的矩阵，N表示原子的个数； 步骤1.2将钙钛矿中每个原子按原子类别编码为one-hot向量，将其映射到欧式空间中； 步骤1.3将钙钛矿中每个原子的特征添加到坐标特征矩阵中，得到整体的特征矩阵； 所述步骤2包括如下子步骤： 步骤2.1构建AtomPointTransformer模块用于特征聚合； 步骤2.2构建TransitionDown模块用于降低点集的基数，进行降采样； 步骤2.3将经过多层AtomPointTransformer模块和TransitionDown模块计算最终得到的特征矩阵先经全局平均池化、再经多层感知机，最终得到预测值； 步骤2.1的AtomPointTransformer模块是由两个线性层及一个AtomPointTransformer层组成，并且使用了残差连接；AtomPointTransformer层的数学表达式如下： 其中，子集是点i局部邻域的一组点的特征，映射函数γ、ψ分别是一个使用了两层线性层和ReLU激活函数的多层感知机，ρ是一个归一化函数，xi，xj分别表示点i和点j； 注意力掩模M的定义如下： M＝θaRBFrij,a,b,c,Ω 这里的a,b,c表示晶格向量，Ω表示晶胞的体积；编码函数θ是一个具有两个线性层和一个ReLU激活函数的多层感知机；aRBFrij是一个高斯径向基函数，其数学表达式如下： aRBFrij＝exp-βnexp-|rij|-μn2 其中，rij表示原子点i和点j之间的距离，βn和μn是可学习的实数参数； 步骤2.2的TransitionDown模块的输入为点集P1，输出为点集P2；点集P1即为经AtomPointTransformer模块得到的特征矩阵；P1中的点表示为x,p，x表示每个原子的特征向量，p代表特征向量对应的三维坐标； 在TransitionDown模块中，首先，在点集P1中采用最远点采样算法得到大小为N2的点集P2，N表示点集P1中点的个数；然后，采用KNN算法将特征从点集P1汇集到点集P2中； 则每个输入特征都经过线性变换、批处理归一化和ReLU激活函数，最后对点集P2中的每个点在点集P1的k个最近的点上进行最大池化，最终得到P2对应的特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京工业大学，其通讯地址为：211816 江苏省南京市江北新区浦珠南路30号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。