模型训练方法、催化性能预测方法、电子设备及存储介质与流程

本说明书涉及人工智能领域，尤其涉及一种模型训练方法、催化性能预测方法、电子设备及存储介质。

背景技术：

1、电催化氧气析出反应(oer)涉及四电子转移，是水分解和金属空气电池中的限速步骤。大量研究工作集中在非贵金属oer电催化剂上，以取代稀有且昂贵的贵金属催化剂(如iro2和ruo2)。此外，多元素材料，包括三元材料、四元材料等，因其具有多个活性位点和相关的协同效应，受到了关注。然而，随着组成元素数量的增加，预测众多组合中的最佳表现者超出了人类大脑的能力。因此，使用人工智能(ai)基于有限但不断扩展的数据规模建立预测模型是材料研究领域的紧迫需求。

2、背景技术部分的内容仅仅是发明人个人所知晓的信息，并不代表上述信息在本公开申请日之前已经进入公共领域，也不代表其可以成为本公开的现有技术。

技术实现思路

1、本说明书提供一种模型训练方法、催化性能预测方法、电子设备及存储介质，使得训练好的模型在预测催化剂的催化性能时，提高预测准确性，从而可以开发新电催化剂。

2、第一方面，本说明书提供一种模型训练方法，包括：构建目标模型，所述目标模型包括n个神经网络集群，所述n大于1，所述n基于描述催化剂性能的描述符集合中描述符的总数量、第一描述符的数量m1以及训练样本中包括的第二描述符的数量m2确定；针对每个神经网络集群，生成训练样本，所述训练样本包括m1个第一描述符和m2个第二描述符，m1为大于1的整数，m2大于m1，不同神经网络集群对应的训练样本包括的m1个第一描述符相同、且包括的m2个第二描述符不同；以及，通过各神经网络集群对应的训练样本训练所述各神经网络集群，得到训练后的所述目标模型，所述目标模型用于预测催化剂的催化性能。

3、第二方面，本说明书提供一种催化性能预测方法，包括：确定目标催化剂的多个目标描述符；将所述多个目标描述符输入目标模型，以得到所述目标催化剂的催化性能，所述目标模型基于第一方面所述的方法得到。

4、第三方面，本说明书还提供一种电子设备，包括：至少一个存储介质，存储有至少一个指令集，用于进行交易验真；以及至少一个处理器，同所述至少一个存储介质通信连接，其中，所述至少一个处理器运行时读取所述至少一个指令集，并且根据所述至少一个指令集的指示实现如第一/二方面所述的方法。

5、第四方面，本说明书提供一种计算机可读非暂时性存储介质，其中，所述计算机可读非暂时性存储介质中存储有至少一个指令集，所述至少一个指令集被至少一个处理器执行时，实现如第一/二方面所述的方法。

6、本说明书提供的模型训练方法、催化性能预测方法、电子设备及存储介质的其他功能将在以下说明中部分列出。本说明书提供的模型训练方法、催化性能预测方法、电子设备及存储介质的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。

1.一种模型训练方法，包括：

2.基于权利要求1所述的方法，其中，所述催化性能包括tafel斜率或起始过电位。

3.一种催化性能预测方法，包括：

4.一种电子设备，包括：

5.一种计算机可读非暂时性存储介质，其中，所述计算机可读非暂时性存储介质中存储有至少一个指令集，所述至少一个指令集被至少一个处理器执行时，实现如权利要求1或2所述的方法。