公开(公告)号：CN115410664B

公开(公告)日：2025-04-22

申请号：CN202210983952.4

申请日：2022-08-17

Applicant: 电子科技大学

Inventor： 张栗粽 ,  郑旭 ,  孙明 ,  张明慧 ,  柯威宏

IPC: G16C60/00 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。本发明采用的数据集的数据量充分，得到的预测结果与真实结果较为接近，预测速度较快，占用计算资源少。

公开(公告)号：CN115410664A

公开(公告)日：2022-11-29

申请号：CN202210983952.4

申请日：2022-08-17

Applicant: 电子科技大学

Inventor： 张栗粽 ,  郑旭 ,  孙明 ,  张明慧 ,  柯威宏

IPC: G16C60/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的材料自旋霍尔电导预测方法，包括以下步骤：S1、采集考虑电子自旋通道耦合作用的材料能带数据，并对所述材料能带数据进行数据扩充和数据处理，得到自旋霍尔电导预测的数据集；S2、将自旋霍尔电导预测的数据集划分为训练集、验证集和测试集；S3、构建深度神经网络模型；S4、通过训练集对深度神经网络模型进行训练，得到训练好的深度神经网络模型；S5、将测试集输入训练好的深度神经网络模型，输出得到材料自旋霍尔电导预测结果。本发明采用的数据集的数据量充分，得到的预测结果与真实结果较为接近，预测速度较快，占用计算资源少。