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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种基于图神经网络的晶体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：CN119851807B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202510041458.X，技术领域涉及：G16C20/30；该发明授权一种基于图神经网络的晶体性质预测方法是由刘吉英;杨泽西;余奇;战亚鹏;梁伟秋;李博然设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本一种基于图神经网络的晶体性质预测方法在说明书摘要公布了：本申请公开了一种基于图神经网络的晶体性质预测方法，涉及材料科学领域，该方法包括：将待预测晶体的原子作为节点，原子键作为边，并对节点和边进行编码得到节点特征向量和边特征向量，以形成晶体图；基于图神经网络架构，引入边卷积算子和相关自注意力机制，构建得到晶体性质预测模型；将晶体图输入晶体性质预测模型，得到晶体性质预测结果。本申请能够把握原子之间的长程信息，进而实现晶体性质的高精度预测。

本发明授权一种基于图神经网络的晶体性质预测方法在权利要求书中公布了：1.一种基于图神经网络的晶体性质预测方法，其特征在于，所述基于图神经网络的晶体性质预测方法包括： 步骤100：将待预测晶体的原子作为节点，原子键作为边，并对所述节点和所述边进行编码得到节点特征向量和边特征向量，以形成晶体图；每一节点均包括原子类型和原子的位置坐标；每一条边均包括键的类型和键的强度； 步骤101：基于图神经网络架构，引入边卷积算子和相关自注意力机制，构建得到晶体性质预测模型；沿数据处理方向，所述图神经网络架构依次包括卷积层、注意力层、池化层和全连接层； 其中，采用所述边卷积算子作为新的卷积形式，以替换所述图神经网络架构中卷积层的卷积形式，得到新的卷积层；将LeakyReLU激活函数作为所述新的卷积层的激活函数；所述新的卷积层更新的节点特征向量表示为： ； 式中，是更新后的节点的特征向量，是构建的晶体图，是新的权重参数，是节点的特征向量，是节点的特征向量，表示连接符，是激活函数； 在所述图神经网络架构中引入所述相关自注意力机制，得到新的注意力层； 基于新的卷积层和新的注意力层，结合所述池化层和所述全连接层得到初始晶体性质预测模型； 步骤102：将所述晶体图输入所述晶体性质预测模型，得到晶体性质预测结果； 其中，所述晶体图输入所述晶体性质预测模型的新的卷积层得到卷积层输出特征；卷积层的输出特征表示为；是原子数量，是特征维度，是维度为的实数矩阵； 将卷积层的输出特征作为相关自注意力的输入特征，经过卷积层线性变换得到查询矩阵、键矩阵和值矩阵，有： ； 式中，，和是可学习的线性变换矩阵，为； 基于所述查询矩阵和所述键矩阵确定注意力权重，得到注意力权重矩阵；所述注意力权重矩阵表示为： ； 式中，是注意力权重矩阵，是激活函数，是矩阵的转置，是键矩阵的第二维维度； 对所述注意力权重进行标准化处理得到最终的注意力权重；最终的注意力权重表示为： ； 式中，是注意力权重，是注意力权重矩阵的第行的平均值； 基于最终的注意力权重得到所述最终的注意力权重矩阵；最终的注意力权重矩阵表示为： ； 采用所述相关自注意力机制基于所述最终的注意力权重矩阵和所述值矩阵得到相关自注意力特征矩阵；相关自注意力特征矩阵表示为： ； 基于所述相关自注意力特征矩阵和所述卷积层输出特征得到相关自注意力层输出特征矩阵；自注意力层输出特征表示为： ； 式中，表示包含线性、批归一化和ReLU层的网络； 采用池化层对自注意力层输出特征矩阵进行池化操作，得到晶体的整体特征向量； 采用全连接层对晶体的整体特征向量进行处理，得到所述晶体性质预测结果。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。