CN113312852B - 一种基于神经网络算法预测玻璃介电损耗的方法 - Google Patents

Abstract

本发明公开了一种基于神经网络算法预测玻璃介电损耗的方法，属于玻璃性能预测技术领域。所述方法通过采用分子模拟和机器学习相结合的方法预测玻璃的介电损耗，自动寻找到描述玻璃介电损耗的关键基因，并具有拓展到更多玻璃组分体系的外推能力，可以在玻璃内部结构未知的情况下通过数据驱动，建立玻璃组分和性能的关联，在给定组分配比的情况下预测玻璃的介电损耗，减少了实验试错的成本，可以提高新型玻璃的研发效率。

Description

一种基于神经网络算法预测玻璃介电损耗的方法

技术领域

本发明涉及一种基于神经网络算法预测玻璃介电损耗的方法，属于玻璃性能预测技术领域。

背景技术

近年来，随着无线网络和卫星通讯技术的日益进步，电子设备正朝着高速与高频化的趋势发展。高频高速印刷电路板是新一代电子设备的核心组件，在高频高速信号传输领域，如移动通信基站、高速数据中心、云计算中心、自动雷达传感器等方面有广阔的应用。

低介电损耗玻璃纤维材料作为重要的纺织材料，是高频高速线路板的覆铜板的关键原材料。在电路板上，介电损耗高会使信号在传递过程中部分转化为热能，降低了信号的强度，从而制约高频电信号的交换和传递效率。拥有较低的介电损耗是高频电路板的关键指标要求之一。同时，高介电常数玻璃纤维主要用于埋容器件。随着电子信息技术和纳米科技的发展，电子元器件的日趋微型化和质轻化对器件的集成度提出了更高的要求。将无源器件置入电路板的内部不仅节约了电路板的表面空间，同时也降低了线路板表面的焊点，降低了电源系统的阻抗。高介电玻璃纤维可以作为嵌入式电容，内置于电路板中，其较高的介电常数可以提高器件的电容量。

目前针对介电损耗的预测方法主要基于回归分析法、分子模拟或经验公式法，回归分析法本质上是简单拟合方法，该方法仅适用于所研究的玻璃成分体系不变的情况，没有玻璃基因的概念，导致预测结果的多组分外推能力差，当组分原料很多时预测效果不好，工业推广受限。分子模拟方法计算成本非常高，计算时间通常花费数周的时间，模拟的材料体系受计算成本的影响很大。经验公式公式法

主要通过Lichtenecker经验方程、Jayasundere&Smith经验方程或Moulson&Herbert经验方程，需要提前估算氧化物的体积分数，存在估算不准确的情况，且经验公式本身并无其他玻璃体系的外推能力。

发明内容

为了能够精准的预测出玻璃的介电损耗并且不受化学成分组成的限制，本发明提供了一种基于神经网络算法预测玻璃介电损耗的方法，所述方法包括：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料中具有不同对称性的氧化物团簇的原子结构模型，并以每种团簇的每单位阳离子i的结合能

含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A作为性能参数构造介电损耗的包含“材料基因”的描述符；

步骤3，基于步骤1构建的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用训练好的介电损耗预测模型预测该玻璃材料的介电损耗。

可选的，所述步骤2包括：

步骤2-1，构造具有不同对称性的氧化物团簇的原子结构模型，作为第一性原理计算的晶胞；

步骤2-2，对于在步骤2-1中构造的每一类氧化物团簇的晶胞结构，进行第一性原理计算，获得每种晶胞的团簇能量E_cluster和结构常数；

步骤2-3，对于步骤2-1中构造得到的每一种晶胞结构；通过进一步的第一性原理计算获得其性能参数集合，构造用于机器学习的描述符

其中n是-3到+3之间的所有非零整数，C_i是对应阳离子i的比例，Cation为阳离子i的集合，x_i是对应阳离子i的第一性原理计算的性能参数；性能参数包括每种团簇的每单位阳离子i的结合能

含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A。

可选的，所述步骤2-1构造具有不同对称性的氧化物团簇的原子结构模型时，按照以下规则进行构造：

(1)每个团簇都处在一个

的立方晶胞里；

(2)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照线性分子的方式添加2个氧原子；同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(3)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照3次旋转对称的方式在同一平面添3个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(4)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照四面体对称的方式添加4个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(5)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照八面体对称的方式添加6个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基。

可选的，所述每种团簇的每单位阳离子i的结合能

的计算方式为：

使用步骤2-1中构造的晶胞结构中氧化物团簇的团簇能量E_cluster减去相同数目和种类的单个原子的能量之和求得，计算公式为：

式中，l为氧化物团簇中氧原子的数目，E_i和E_OH分别为单个阳离子和单个羟基在一个

的立方晶胞里能量。

可选的，所述步骤1中构建介电损耗数据库时，还包括，对采集到的介电损耗数据进行预处理，所述预处理包括：

针对两两玻璃成分，判断以下两个条件是否同时成立：

条件1：每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值，单位为百分比；

条件2：介电损耗的差值大于第二预设阈值，单位为百分比；

若同时成立，则将对应的玻璃成分和相应的介电损耗数据从数据库中剔除。

可选的，所述第一预设阈值为2％，第二预设阈值为20％。

可选的，所述步骤4，基于神经网络模型树构建介电损耗预测模型，包括：

步骤4-1，设定神经网络中隐藏层个数c＝{c₁,c₂…,c_L}、第z隐藏层的节点数

以及优化算法中的学习率α；

步骤4-2，对于给定神经网络结构，训练网络中的参数，主要过程包括如下几个步骤：

步骤4-2-1，在(0，1)范围内随机初始化网络中所有连接权值ω_jk和阈值；

步骤4-2-2，根据当前参数计算当前样本的输出值

其中β为输出神经元的输入，θ为阈值；

步骤4-2-3，计算输出层神经元的梯度项g_j:

步骤4-2-4，计算隐藏层第h个神经元的梯度项e_h：

其中，b_h为隐藏层第h个神经元的偏置项，α_h为隐藏层第h个神经元的输入；

步骤4-2-5，更新连接权值ω_jk,v_ih和阈值θ；

重复步骤4-2-1至步骤4-2-5，直至达到停止条件；

步骤4-3，通过交叉验证得到最佳的神经网络结构；

步骤4-4，基于步骤4-1至步骤4-2，经训练集{S₁，S₂，S₃…S_k}训练后，可得到预测玻璃介电损耗的神经网络模型。

可选的，所述训练集{D}和验证集{V}采用k折交叉验证的方法构造。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明有益效果是：

通过采用分子模拟和机器学习相结合的方法预测玻璃的介电损耗，自动寻找到描述玻璃介电损耗的关键基因，并具有拓展到更多玻璃组分体系的外推能力，可以在玻璃内部结构未知的情况下通过数据驱动，建立玻璃组分和性能的关联，在给定组分配比的情况下预测玻璃的介电损耗，减少了实验试错的成本，可以提高新型玻璃的研发效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中基于神经网络算法预测玻璃介电损耗的方法的流程图。

图2为一个实施例中基于第一性原理构造描述符的流程图。

图3为四面体对称方式的氧化物团簇的原子结构模型示意图。

图4为八面体对称方式的氧化物团簇的原子结构模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一：

本实施例提供一种基于神经网络算法预测玻璃介电损耗的方法，参见图1，所述方法包括：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料介电损耗的包含“材料基因”的描述符，包括：

步骤2-1，构造具有不同对称性的氧化物团簇的原子结构模型，作为第一性原理计算的晶胞；

步骤2-2，对于在步骤2-1中构造的每一类氧化物团簇的晶胞结构，进行第一性原理计算，获得每种晶胞的团簇能量E_cluster和结构常数；

步骤2-3，对于步骤2-1中构造得到的每一种晶胞结构；通过进一步的第一性原理计算获得其性能参数集合，构造用于机器学习的描述符

其中n是-3到+3之间的所有非零整数，C_i是对应阳离子i的比例，Cation为阳离子i的集合，x_i是对应阳离子i的第一性原理计算的性能参数；性能参数包括每种团簇的每单位阳离子i的结合能

含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A。

步骤3，基于步骤1构建的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用训练好的介电损耗预测模型预测该玻璃材料的介电损耗。

实施例二：

本实施例提供一种基于神经网络算法预测玻璃介电损耗的方法，参见图1，所述方法包括：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

对于采集的介电损耗数据，在实际应用中，还包括对其进行预处理，所述预处理包括：

针对两两玻璃成分，判断以下两个条件是否同时成立：

条件1：每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值，单位为百分比；

条件2：介电损耗的差值大于第二预设阈值，单位为百分比；

若同时成立，则将对应的玻璃成分和相应的介电损耗数据从数据库中剔除。

其中，上述两个条件中的第一预设阈值和第二预设阈值可由本领域技术人员根据先验知识确定，本申请中，第一预设阈值为2％，第二预设阈值为20％。

步骤2，基于第一性原理构造氧化物玻璃材料介电损耗的包含“材料基因”的描述符，参见图2；

步骤2-1，构造具有不同对称性的氧化物团簇的原子结构模型，作为第一性原理计算的晶胞；

具体的：

(1)每个团簇都处在一个

的立方晶胞里；

(2)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照线性分子的方式添加2个氧原子；同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(3)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照3次旋转对称的方式在同一平面添3个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(4)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照图3所示四面体对称的方式添加4个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(5)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照图4所示八面体对称的方式添加6个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

步骤2-2，对于在步骤2-1中构造的每一类氧化物团簇的晶胞结构，进行第一性原理计算，获得每种晶胞的团簇能量E_cluster和结构常数；

步骤4a：采用的第一性原理计算的软件Quantum Espresso；

步骤4b:按以下参数，使用Quantum Espresso的pw.x优化晶胞大小，获得所构造的晶胞的团簇能量E_cluster和结构常数；

采用Quantum Espresso自带的赝势库：Pseudopotential type:PAW；Functionaltype:PBE；Non Linear Core Correction Full relativistic

截断能为45Ry＝612eV，自洽场收敛标准为10^-5Ry

计算的方式是通过优化得到晶胞内部的团簇的平衡键长(calculation＝‘relax’)

晶胞结构在优化过程中保持原有的对称性(nosym＝‘FALSE’)

费米能级附近的电子轨道占据采取对应的绝缘体的方法(occupations＝‘fixed’)

所有计算都采取非自旋极化的方法(nspin＝1)

对于所有团簇的晶胞，K空间的点阵为1×1×1；

步骤2-3，对于上述通过第一性原理计算优化好的包含各种团簇的结构；通过进一步的第一性原理计算获得其性能参数集合，构造用于机器学习的描述符

其中n是-3到+3之间的所有非零整数，C_i是对应阳离子i的比例，x_i是对应阳离子i的第一性原理计算的性能参数，这些性能参数通过第一性原理计算得到。

所述性能参数集合包括以下性能参数：

(1)每种团簇的每单位阳离子i的结合能

单位：eV/atom；

结合能的计算通过使用优化好的团簇能量E_cluster减去相同数目和种类的单个原子的能量之和求得，计算公式为：

式中，l为团簇中氧原子的数目，E_i和E_OH分别为单个阳离子和单个羟基在一个

的立方晶胞里能量；

(2)含有阳离子A的离子极化力F_A，计算表达式如下：

式中，q_A为阳离子A的有效电荷，r_A为阳离子A的离子半径；

(3)含有阳离子A的离子极化率α_A

这里示例性地，结合上述性能参数对描述符的计算进行进一步详细说明：

从数据库中收集到的一组数据如下：一种玻璃结构含有A mol SiO₂，B mol B₂O₃，Cmol Na₂O，该组分玻璃的介电常数为y。

经计算，总离子数为(3A+5B+3C)mol，其中Si原子所占的比例C_Si为：

B³⁺比例：

Na⁺比例：

预测介电常数时，对于每一种阳离子i(Si，B，Na)，对应的性能参数x都有以下3类参数(12种子参数)组成，包括

(共4种，ET₁～ET₄)、极化力(4种，F₁～F₄)、极化率(4种，α₁～α₄)。

n＝1情况如下(共3个

)：

以此类推，可以构造其余n值的描述符(n＝-3，-2，-1，2，3)情况(每个n值有3个描述符)。

步骤3，基于步骤1构建得到的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

具体过程包括：

步骤3-1，从介电损耗数据库中按照总数据量N的p₁％随机抽取数据，作为第一测试子集{T₁}；

步骤3-2，对于剩下的(1-p₁)％的数据集，从中筛选出介电损耗值小于第三预设阈值的数据，之后从这些数据中随机选取p₂％*N的数据，作为第二测试子集{T₂}；

步骤3-3，对于除测试子集{T₁}、{T₂}剩下的数据，获取其中关注的特定成分在预设区间段的玻璃成分，之后从中随机选取p₃％*N的玻璃数据，作为第三测试子集{T₃}；

步骤3-4，将以上三部分测试子集合并，构成模型的测试集{T}＝{T₁，T₂，T₃}，其余的数据作为模型的训练集与验证集，所述p₁、p₂和p₃的取值需保证训练集加验证集({D}+{V})和测试集{T}的数据比例为9:1。

所述其余的数据作为模型的训练集与验证集，具体划分过程包括：

采用k折交叉验证的方法构造训练集{D}和验证集{V}，具体包括以下步骤：

步骤3-4-1，将数据库中剩余的90％*N的数据按照介电损耗值进行升序排列，之后将这些数据平均划分为k个不相交的子集{S₁，S₂，S₃…S_k}；

步骤3-4-2，每次取其中的k^*个子集

作为验证集

k^*＝1，2，3…k，其余k-1个子集作为训练集

将训练集

和验证集

作为交叉验证数据。

步骤4，基于神经网络模型构建介电损耗预测模型，并根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

具体过程包括：

步骤4-1，设定神经网络中隐藏层个数c＝{c₁,c₂…,c_L}、第z隐藏层的节点数

以及优化算法中的学习率α；

步骤4-2，对于给定神经网络结构，训练网络中的参数，主要过程包括如下几个步骤：

步骤4-2-1，在(0，1)范围内随机初始化网络中所有连接权值ω_jk和阈值；

步骤4-2-2，根据当前参数计算当前样本的输出值

其中β为输出神经元的输入，θ为阈值；

步骤4-2-3，计算输出层神经元的梯度项g_a:

步骤4-2-4，计算隐藏层第h个神经元的梯度项e_h：

其中，b_h为隐藏层第h个神经元的偏置项，α_h为隐藏层第h个神经元的输入；

步骤4-2-5，更新连接权值ω_jk,υ_ih和阈值θ；

重复步骤4-2-1至步骤4-2-5，直至达到停止条件；

步骤4-3，通过交叉验证得到最佳的神经网络结构；

步骤4-4，基于步骤4-1至步骤4-2，经训练集{S₁，S₂，S₃…S_k}训练后，可得到预测玻璃介电损耗的神经网络模型。

进一步地，在其中一个实施例中，步骤4-3所述通过交叉验证得到最佳的神经网络结构，具体过程包括：

步骤4-3-1，在神经网络中隐藏层个数c、隐藏层节点数n_z条件下，采用步骤3得到的训练集

和验证集

依次训练模型k次，并计算k次在验证集{V_i}中的均方误差(MSE)值：

其中，n_valid为验证集的数据量，

为验证集的预测值，y_a为验证集的实际值；

步骤4-3-2，计算k折交叉验证的平均

步骤4-3-3，调整网络结构参数，并计算对应参数下的

步骤4-3-4，选取最小的

对应的参数值最为模型最优超参数值。

步骤5，针对待预测的玻璃材料，利用所述介电损耗预测模型预测该玻璃材料的介电损耗。

具体过程包括：

步骤5-1，依据步骤2的过程，构造待预测玻璃材料的描述符

步骤5-2，将所述描述符

代入所述介电损耗预测模型中，得到预测的介电损耗。

为验证本申请方法的有效性，采用本发明的方法对10组已知介电损耗的玻璃材料进行预测，预测结果如下表1所示。

表1本方法预测玻璃介电损耗的预测值与真实值的比较

由上表1可知，采用本发明提供的方法预测出的玻璃介电损耗与真实值的最大误差仅为10.9％，相对于现有方法，本发明方法能够相对准确的预测出介电损耗，验证了本方法的有效性。而且，采用本发明方法对未知介电损耗的玻璃进行预测，可以较快的估计出不同成分配比的玻璃的介电损耗，对降低玻璃研发的试错成本可以大大降低，对于一些对玻璃介电损耗有严格要求的研发目标意义重大。

实施例三

本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料介电损耗的包含“材料基因”的描述符；

步骤3，基于步骤1构建的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用训练好的介电损耗预测模型预测该玻璃材料的介电损耗。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤1，采集玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料介电损耗的包含“材料基因”的描述符；

步骤3，基于介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用所述介电损耗预测模型预测该玻璃材料的介电损耗。

关于每一步的具体限定可以参见上文中对于利用神经网络算法预测玻璃介电损耗的方法的限定，在此不再赘述。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络算法预测玻璃介电损耗的方法，其特征在于，所述方法包括：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料中具有不同对称性的氧化物团簇的原子结构模型，并以每种团簇的每单位阳离子i的结合能

含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A作为性能参数构造介电损耗的包含“材料基因”的描述符；

步骤3，基于步骤1构建的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用训练好的介电损耗预测模型预测该玻璃材料的介电损耗；

所述步骤2包括：

步骤2-1，构造具有不同对称性的氧化物团簇的原子结构模型，作为第一性原理计算的晶胞；

步骤2-2，对于在步骤2-1中构造的每一类氧化物团簇的晶胞结构，进行第一性原理计算，获得每种晶胞的团簇能量E_cluster和结构常数；

步骤2-3，对于步骤2-1中构造得到的每一种晶胞结构；通过进一步的第一性原理计算获得其性能参数集合，构造用于机器学习的描述符

其中n是-3到+3之间的所有非零整数，C_i是对应阳离子i的比例，Cation为阳离子i的集合，x_i是对应阳离子i的第一性原理计算的性能参数；性能参数包括每种团簇的每单位阳离子i的结合能

含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A。

2.根据权利要求1所述的方法，其特征在于，所述步骤2-1构造具有不同对称性的氧化物团簇的原子结构模型时，按照以下规则进行构造：

(1)每个团簇都处在一个

的立方晶胞里；

(2)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照线性分子的方式添加2个氧原子；同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(3)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照3次旋转对称的方式在同一平面添3个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(4)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照四面体对称的方式添加4个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基；

(5)针对玻璃成分中存在的每种阳离子，将该阳离子对应的原子放置于晶胞中心，在其周围按照八面体对称的方式添加6个氧原子，同时在每个氧原子上沿着从中心原子到氧原子的原子键的延长方向添加一个氢原子，每一个氧原子和氢原子组成一个羟基。

3.根据权利要求2所述的方法，其特征在于，所述每种团簇的每单位阳离子i的结合能

的计算方式为：

使用步骤2-1中构造的晶胞结构中氧化物团簇的团簇能量E_cluster减去相同数目和种类的单个原子的能量之和求得，计算公式为：

式中，l为氧化物团簇中氧原子的数目，E_i和E_OH分别为单个阳离子和单个羟基在一个

的立方晶胞里能量。

4.根据权利要求3所述的方法，其特征在于，所述步骤1中构建介电损耗数据库时，还包括，对采集到的介电损耗数据进行预处理，所述预处理包括：

针对两两玻璃成分，判断以下两个条件是否同时成立：

条件1：每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值，单位为百分比；

条件2：介电损耗的差值大于第二预设阈值，单位为百分比；

若同时成立，则将对应的玻璃成分和相应的介电损耗数据从数据库中剔除。

5.根据权利要求4所述的方法，其特征在于，所述第一预设阈值为2％，第二预设阈值为20％。

6.根据权利要求5所述的方法，其特征在于，所述步骤4，基于神经网络模型树构建介电损耗预测模型，包括：

步骤4-1，设定神经网络中隐藏层个数c＝{c₁,c₂…,c_L}、第z隐藏层的节点数

以及优化算法中的学习率α；

步骤4-2，对于给定神经网络结构，训练网络中的参数，主要过程包括如下几个步骤：

步骤4-2-1，在(0，1)范围内随机初始化网络中所有连接权值ω_jk和阈值；

步骤4-2-2，根据当前参数计算当前样本的输出值

其中β为输出神经元的输入，θ为阈值；

步骤4-2-3，计算输出层神经元的梯度项g_a:

步骤4-2-4，计算隐藏层第h个神经元的梯度项e_h：

其中，b_h为隐藏层第h个神经元的偏置项，α_h为隐藏层第h个神经元的输入；

步骤4-2-5，更新连接权值ω_jk,v_ih和阈值θ；

重复步骤4-2-1至步骤4-2-5，直至达到停止条件；

步骤4-3，通过交叉验证得到最佳的神经网络结构；

步骤4-4，基于步骤4-1至步骤4-2，经训练集{S₁，S₂，S₃…S_k}训练后，可得到预测玻璃介电损耗的神经网络模型。

7.根据权利要求6所述的方法，其特征在于，训练集{D}和验证集{V}采用k折交叉验证的方法构造。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

Images