本发明属于无机晶体结构条件生成控制，具体涉及一种无机晶体条件生成分析方法及装置。
背景技术：
1、近年来生成式ai (aigc)引领人工智能的发展，基于算力的大模型发展范式成功将aigc应用到学术，工业和生活的众多领域。
2、扩散模型是当今aigc的主流模型，已经替代vaes，gans，normalizing flowmodels成为生成式模型家族的最优模型。sora和stabilityai就是基于扩散模型训练的大模型。扩散模型有三种框架：ddpm (denoising diffusion probabilistic model), ncsn(noise conditional score-based model) 和 sde(stochastic differentialequation)。ddpm方法通过优化下限的方式近似原始数据概率密度，而ncsn和sde通过预测概率密度一阶梯度可以精确计算原始数据概率密度，不同于ddpm和ncsn在前向扩散过程中加入离散步噪音，sde将噪音添加和消除过程连续化，不仅在图片生成上取得了最好的表现，而且有更完善的数学理论支撑。
3、得益于扩散模型在ai领域的巨大成功，其在化学领域的分子生成，晶体生成也逐渐获得了研究人员青睐。无机晶体材料作为一种重要的功能材料，具有独特的物理化学性质和广泛的应用前景，可用于发光材料，电子器件，陶瓷材料和气相反应催化剂以及新能源材料。目前扩散模型应用于晶体生成的研究很少，更不用说生成可控物理性质的晶体结构。
4、因此，发明一种基于扩散模型的晶体生成方法成为亟需解决的问题。
技术实现思路
1、为此，本发明提供一种无机晶体条件生成分析方法及装置，使用sde范式的扩散模型用于晶体原子坐标生成，然后使用图神经网络对晶格参数进行预测生成完整晶胞，使用预训练模型预测晶体物理性质，作为条件控制晶体结构生成过程，同时使用谱分解加速晶体结构生成过程。具有广泛的应用范围，并能够有效控制生成晶体结构的物理性质。
2、为了实现上述目的，本发明提供如下技术方案：一种无机晶体条件生成分析方法，包括：
3、构建sde范式扩散模型，所述sde范式扩散模型的扩散过程包括前向加噪和逆向去噪过程；通过设定的扩散系数函数对所述sde范式扩散模型进行向前加噪处理；通过sde逆向求解过程对所述sde范式扩散模型进行逆向去噪处理；将训练数据集的数据分批次输入所述sde范式扩散模型，对所述sde范式扩散模型进行训练和验证；在训练好的所述sde范式扩散模型中增加权重，对训练好的所述sde范式扩散模型进行条件生成模型和无条件生成模型联合训练，获得条件生成sde范式扩散模型；
4、从晶体结构生成数据集中选取目标晶体的结构数据，将所述目标晶体的结构数据输入所述条件生成sde范式扩散模型，获得所述目标晶体的原子信息数据；
5、将所述目标晶体的结构数据输入cgcnn预训练模型，通过所述cgcnn预训练模型预测所述目标晶体的物理性质；
6、构建第一图神经网络，将所述目标晶体的原子信息数据输入所述第一图神经网络，获得满足所述目标晶体的物理性质的所述目标晶体的晶格参数；构建第二图神经网络，将所述目标晶体的晶格参数输入所述第二图神经网络预测所述目标晶体的晶格，生成所述目标晶体的晶胞。
7、作为一种无机晶体条件生成分析方法优选方案，还包括：选取开源晶体结构数据集作为晶体结构生成数据集，对所述开源晶体结构数据集中的数据格式进行转换，将转换数据格式后的所述开源晶体结构数据集作为sde范式扩散模型的训练数据集；将所述训练数据集按比例分成训练集、验证集和测试集。
8、作为一种无机晶体条件生成分析方法优选方案，使用谱分解方法，增加所述目标晶体的晶胞生成速度；
9、所述目标晶体的原子信息数据包括：原子类型、原子坐标、原子邻接矩阵；
10、所述目标晶体的物理性质包括：生成能、绝对能量、带宽、费米能级、体积模量、泊松比。
11、作为一种无机晶体条件生成分析方法优选方案，所述前向加噪处理过程公式为：
12、；
13、式中，为无穷小样本变量；为设计的扩散系数；为无穷小白噪音；
14、所述逆向去噪处理过程公式为：
15、；
16、式中，为无穷小样本变量；为漂流系数；为扩散系数；为无穷小白噪音；为设计的扩散系数；为扩散系数的平方；为样本梯度；为概率密度函数对数值；为无穷小时间变量。
17、作为一种无机晶体条件生成分析方法优选方案，在所述sde范式扩散模型中，条件概率对样本的一阶梯度表达式为：
18、；
19、在所述sde范式扩散模型中增加权重后，表达式为：
20、；
21、式中，为权重；为条件概率密度函数样本梯度；为概率密度函数样本梯度。
22、本发明还提供一种无机晶体条件生成分析处理装置，采用上述的一种无机晶体条件生成分析方法，包括：
23、条件生成sde范式扩散模型构建模块，用于构建sde范式扩散模型，所述sde范式扩散模型的扩散过程包括前向加噪和逆向去噪过程；通过设定的扩散系数函数对所述sde范式扩散模型进行向前加噪处理；通过sde逆向求解过程对所述sde范式扩散模型进行逆向去噪处理；将训练数据集的数据分批次输入所述sde范式扩散模型，对所述sde范式扩散模型进行训练和验证；在训练好的所述sde范式扩散模型中增加权重，对训练好的所述sde范式扩散模型进行条件生成模型和无条件生成模型联合训练，获得条件生成sde范式扩散模型；
24、晶体原子信息数据获取模块，用于从晶体结构生成数据集中选取目标晶体的结构数据，将所述目标晶体的结构数据输入所述条件生成sde范式扩散模型，获得所述目标晶体的原子信息数据；
25、晶体物理性质预测模块，用于将所述目标晶体的结构数据输入cgcnn预训练模型，通过所述cgcnn预训练模型预测所述目标晶体的物理性质；
26、晶胞生成模块，用于构建第一图神经网络，将所述目标晶体的原子信息数据输入所述第一图神经网络，获得满足所述目标晶体的物理性质的所述目标晶体的晶格参数；构建第二图神经网络，将所述目标晶体的晶格参数输入所述第二图神经网络预测所述目标晶体的晶格，生成所述目标晶体的晶胞。
27、作为一种无机晶体条件生成分析处理装置优选方案，还包括：
28、数据集处理模块，用于选取开源晶体结构数据集作为晶体结构生成数据集，对所述开源晶体结构数据集中的数据格式进行转换，将转换数据格式后的所述开源晶体结构数据集作为sde范式扩散模型的训练数据集；将所述训练数据集按比例分成训练集、验证集和测试集。
29、作为一种无机晶体条件生成分析处理装置优选方案，还包括：谱分解加速模块，用于使用谱分解方法，增加所述目标晶体的晶胞生成速度；
30、所述晶体原子信息数据获取模块中，所述目标晶体的原子信息数据包括：原子类型、原子坐标、原子邻接矩阵；
31、所述晶体物理性质预测模块中，所述目标晶体的物理性质包括：生成能、绝对能量、带宽、费米能级、体积模量、泊松比。
32、作为一种无机晶体条件生成分析处理装置优选方案，所述条件生成sde范式扩散模型构建模块中，所述前向加噪处理过程公式为：
33、；
34、式中，为无穷小样本变量；为设计的扩散系数；为无穷小白噪音；
35、所述逆向去噪处理过程公式为：
36、；
37、式中，为无穷小样本变量；为漂流系数；为扩散系数；为无穷小白噪音；为设计的扩散系数；为扩散系数的平方；为样本梯度；为概率密度函数对数值；为无穷小时间变量。
38、作为一种无机晶体条件生成分析处理装置优选方案，所述条件生成sde范式扩散模型构建模块中，在所述sde范式扩散模型中，条件概率对样本的一阶梯度表达式为：
39、；
40、在所述sde范式扩散模型中增加权重后，表达式为：
41、；
42、式中，为权重；为条件概率密度函数样本梯度；为概率密度函数样本梯度。
43、本发明具有如下优点：选取开源晶体结构数据集作为晶体结构生成数据集，对所述开源晶体结构数据集中的数据格式进行转换，将转换数据格式后的所述开源晶体结构数据集作为sde范式扩散模型的训练数据集；将所述训练数据集按比例分成训练集、验证集和测试集；构建sde范式扩散模型，所述sde范式扩散模型的扩散过程包括前向加噪和逆向去噪过程；通过设定的扩散系数函数对所述sde范式扩散模型进行向前加噪处理；通过sde逆向求解过程对所述sde范式扩散模型进行逆向去噪处理；将训练数据集的数据分批次输入所述sde范式扩散模型，对所述sde范式扩散模型进行训练和验证；在训练好的所述sde范式扩散模型中增加权重，对训练好的所述sde范式扩散模型进行条件生成模型和无条件生成模型联合训练，获得条件生成sde范式扩散模型；从晶体结构生成数据集中选取目标晶体的结构数据，将所述目标晶体的结构数据输入所述条件生成sde范式扩散模型，获得所述目标晶体的原子信息数据；将所述目标晶体的结构数据输入cgcnn预训练模型，通过所述cgcnn预训练模型预测所述目标晶体的物理性质；构建第一图神经网络，将所述目标晶体的原子信息数据输入所述第一图神经网络，获得满足所述目标晶体的物理性质的所述目标晶体的晶格参数；构建第二图神经网络，将所述目标晶体的晶格参数输入所述第二图神经网络预测所述目标晶体的晶格，生成所述目标晶体的晶胞；使用谱分解方法，增加所述目标晶体的晶胞生成速度。本发明第一次提出使用sde扩散模型范式用于晶体的结构生成，不同于ddpm范式，sde将增噪和减噪过程连续化，加入无限种不同方差的高斯噪声，有更完善的数学理论支撑，且能精确计算原始数据的概率密度。同时，联合训练无分类器的条件生成模型，可以生成同时满足多种物理性质的晶体结构。使用图神经网络方法预测晶格，得到完整的晶胞，不同于其他研究同时对晶格和原子坐标等信息进行扩散，本发明采用分治的策略得到完整的晶胞，减少了计算资源和生成时间。本发明还提出谱分解的方法提高晶体结构生成质量和速度，将谱分解用于原子键邻接矩阵，解决了扩散过程中信噪比快速下降和生成过程缓慢等问题，可用于包括但不限于晶体，化学分子和蛋白质等场景。本发明于扩散模型而言仍然有优化的方向，实际上在晶体，化学分子生成等场景中，加入连续的高斯噪声仍然很快就破坏其图结构，目前已经有研究在使用扩散模型进行图生成的过程中加入离散噪声，始终保持图结构，可以更好更快的生成图信息。
1.一种无机晶体条件生成分析方法，其特征在于，包括：
2.根据权利要求1所述的一种无机晶体条件生成分析方法，其特征在于，还包括：
3.根据权利要求2所述的一种无机晶体条件生成分析方法，其特征在于，还包括：使用谱分解方法，增加所述目标晶体的晶胞生成速度；
4.根据权利要求3所述的一种无机晶体条件生成分析方法，其特征在于，所述前向加噪处理过程公式为：
5.根据权利要求4所述的一种无机晶体条件生成分析方法，其特征在于，在所述sde范式扩散模型中，条件概率对样本的一阶梯度表达式为：
6.一种无机晶体条件生成分析处理装置，采用权利要求1至5任一项所述的一种无机晶体条件生成分析方法，其特征在于，包括：
7.根据权利要求6所述的一种无机晶体条件生成分析处理装置，其特征在于，还包括：
8.根据权利要求6所述的一种无机晶体条件生成分析处理装置，其特征在于，还包括：谱分解加速模块，用于使用谱分解方法，增加所述目标晶体的晶胞生成速度；
9.根据权利要求8所述的一种无机晶体条件生成分析处理装置，其特征在于，所述条件生成sde范式扩散模型构建模块中，所述前向加噪处理过程公式为：
10.根据权利要求9所述的一种无机晶体条件生成分析处理装置，其特征在于，所述条件生成sde范式扩散模型构建模块中，在所述sde范式扩散模型中，条件概率对样本的一阶梯度表达式为：
