【技術實現步驟摘要】
本專利技術涉及鈷鉑微結構制備，特別是涉及一種基于圖神經網絡的三維鈷鉑微結構制備方法。
技術介紹
1、目前，微型磁體的研究在多個材料領域取得了深入進展，如nd-fe-b、sm-co、鐵氧體、co-pt等。現有的制造技術在一定范圍內能夠控制膜的厚度和成分，尤其是在硬質基底上制造單層膜或通過組合磁性層與非磁性層形成多層結構。這些技術的研究方向主要集中于大面積磁性膜或磁性陣列的制造，鮮少關注特定形狀的磁性結構。隨著柔性機器人領域對材料順應性要求的提升，柔性磁體的研究需求日益迫切。為了進一步增強柔性磁體的功能性和適應性，具有特定形狀的微型磁結構的制造研究成為一個重要方向。
2、局部電化學沉積（lecd）技術自1996年由john?d.?madden和ian?w.?hunter引入以來，已成為一種有前景的微磁體制造技術。lecd使用尖端電極在靠近沉積表面的電解質溶液中施加電壓以誘導局部沉積，從而實現對材料形狀和尺寸的精確控制。盡管這一技術已有多種改進，如超聲波輔助lecd和電解質柱lecd，以提高沉積速度和圖案復雜度，但傳統方法在處理復雜多變量參數優化問題時效率不足。
3、近年來，機器學習技術在材料科學中顯示出顯著潛力，可以解決這些優化問題。例如，katirci和danaci利用nsga-ii和機器學習算法優化鎳電鍍，成功實現了高精度的涂層質量預測與提升；frydrych等人則采用lstm網絡優化電鍍銅的晶體塑性參數，在循環變形下實現了精確的預測與控制。然而，這些技術在磁性材料電化學沉積中的應用仍未得到充分探索。p>
4、電化學沉積過程中，為了驗證最佳沉積參數通常需要通過大量試驗，才能保證鈷鉑微結構制備精度；優化電化學沉積參數對制造鈷鉑微結構至關重要，目前的優化方法常常依賴經驗，只能對當前工藝與數據之間的關系建模，對于模型未見的參數結果缺乏可解釋邏輯的預測能力，缺乏有效的數學模型和可解釋性，難以探索更優的工藝方法。因此，需要一種新的方法來解決這些優化問題，尤其是在多變量交互和復雜因果關系的建模方面。因果推斷與圖神經網絡（gnn）提供了一種創新的解決思路，能夠為復雜系統提供數學上的可解釋性和強大的因果建模能力，對于探索實驗過程最優參數有著重要意義。與傳統的機器學習方法不同，圖因果網絡能夠明確地揭示輸入特征（如ph值、離子比例等）與輸出結果（如沉積層厚度、磁性性能）之間的因果關系。這種因果推斷不僅可以幫助理解變量之間的相互影響，還能夠根據因果關系提供優化方案，避免單純的相關性分析。
5、因此，考慮提供一種基于圖神經網絡的三維鈷鉑微結構制備方法，可以建模電化學沉積參數，實現對鈷與鉑的原子比例的預測，進而增強對沉積條件的控制，減少傳統實驗中所需的大量試驗，提高鈷鉑微結構制備過程的效率。
技術實現思路
1、有鑒于此，本專利技術提供至少解決上述部分技術問題的一種基于圖神經網絡的三維鈷鉑微結構制備方法，該方法中通過圖神經網絡、圖注意力與因果推斷結合的方法來優化電化學沉積參數；通過granger因果推斷，能夠建立鈷鉑微結構制備過程中的因果關系網絡，從而更深入地理解各參數（如鈷鉑離子比例、溶液ph值、噴嘴掃描速度和沉積電壓）對鈷與鉑原子比例的影響，從而便于增強對沉積條件的控制，有利于實現鈷與鉑的原子比例為50:50的最佳配比，有助提升鈷鉑微結構制備效率和精度，提升材料性能。
2、為實現上述目的，本專利技術采取的技術方案為：
3、第一方面，本專利技術提供一種基于圖神經網絡的三維鈷鉑微結構制備方法，該方法包括：
4、收集三維鈷鉑微結構制備中的鈷鉑沉積參數，構建數據集并進行數據預處理；
5、結合圖神經網絡、圖注意力和granger因果機制建立圖因果網絡；
6、將預處理后的鈷鉑沉積參數輸入至所述圖因果網絡進行處理，推斷出三維鈷鉑微結構的原子比例，識別最優鈷鉑沉積參數，基于所述最優鈷鉑沉積參數完成三維鈷鉑微結構制備。
7、在一個可選的實施方式中，收集的鈷鉑沉積參數包括：鈷鉑離子比例、溶液ph值、噴嘴掃描速度和沉積電壓。
8、在一個可選的實施方式中，預處理操作包括：缺失值處理、異常值處理和標準化。
9、在一個可選的實施方式中，建立的所述圖因果網絡具體包括：圖卷積層、圖注意力層、因果推斷模塊和預測層；進行鈷鉑沉積參數處理時，將鈷鉑沉積參數轉換為圖結構，每個特征作為圖的一個節點，每個節點之間存在邊；其中：
10、所述圖卷積層，用于捕捉節點間的依賴關系和圖的全局結構信息，根據圖的結構聚合每個節點的鄰居信息；
11、所述圖注意力層，用于計算不同節點鄰居的重要性來加權聚合鄰居節點的特征，通過注意力機制為關鍵鄰居節點賦予高權重；
12、所述因果推斷模塊，采用granger因果關系捕捉特征之間的動態關聯，獲取輸入變量關于輸出變量的因果關系，經過線性變換得到因果注意力作用于預測層，使其推理出更符合因果規律的輸出變量值。
13、在一個可選的實施方式中，在圖卷積層中，每個節點通過其父節點的變量和一個噪聲項來表示：
14、；
15、其中，是節點的父節點集合，表示與相關的所有變量；是一個因果函數，表示父節點如何影響當前節點；是誤差項，表示未建模的外部因素或者噪聲。
16、在一個可選的實施方式中，節點的狀態在第層的表示為，當前狀態的更新方式為：
17、；
18、其中，是節點的鄰節點集合，表示影響節點的其他變量；是鄰接矩陣元素，表示節點間的關系強度，和分別是第層權重和偏置，是激活函數；表示節點全部鄰接節點的特征聚合。
19、在一個可選的實施方式中，節點的狀態在第層的表示為，當前狀態的更新方式為：
20、；
21、其中，是節點的鄰節點集合，表示影響節點的其他變量；是鄰接矩陣元素，表示節點間的關系強度，和分別是第層權重和偏置，是激活函數；表示節點全部鄰接節點的特征聚合。
22、第二方面，本專利技術還提供一種三維鈷鉑微結構制備裝置，該制備裝置包括：工作平臺、電化學沉積系統、供給設備和控制設備；該制備裝置應用時執行上述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，推斷出三維鈷鉑微結構的原子比例，識別最優鈷鉑沉積參數，基于所述最優鈷鉑沉積參數完成三維鈷鉑微結構制備。
23、與現有技術相比，本專利技術至少具有如下有益技術效果：
24、1.本專利技術提供了一種基于圖神經網絡的三維鈷鉑微結構制備方法，可以實現對鈷與鉑的原子比例的預測，識別最優鈷鉑沉積參數，進而有利于增強對沉積條件的控制，減少傳統實驗中所需的大量試驗，有助于提高鈷鉑微結構制備過程的效率。
25、2.本專利技術方法中通過圖神經網絡、圖注意力與因果推斷結合的方法來優化電化學沉積參數；通過granger因果推斷，能夠建立鈷鉑微結構制備過程中的因果關系網絡，從而更深入地理解各參數（如鈷鉑離子比例、溶液ph值、噴嘴掃描速度和沉積電壓）對鈷與鉑原本文檔來自技高網...
【技術保護點】
1.一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，該方法包括：
2.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，收集的鈷鉑沉積參數包括：鈷鉑離子比例、溶液pH值、噴嘴掃描速度和沉積電壓。
3.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，預處理操作包括：缺失值處理、異常值處理和標準化。
4.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，建立的所述圖因果網絡具體包括：圖卷積層、圖注意力層、因果推斷模塊和預測層；進行鈷鉑沉積參數處理時，將鈷鉑沉積參數轉換為圖結構，每個特征作為圖的一個節點，每個節點之間存在邊；其中：
5.根據權利要求4所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，在圖卷積層中，每個節點通過其父節點的變量和一個噪聲項來表示：
6.根據權利要求5所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，節點的狀態在第層的表示為，當前狀態的更新方式為：
7.根據權利要求6所述的一種基
8.一種三維鈷鉑微結構制備裝置，其特征在于，該制備裝置包括：工作平臺、電化學沉積系統、供給設備和控制設備；該制備裝置應用時執行如權利要求1-7中任一項所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，推斷出三維鈷鉑微結構的原子比例，識別最優鈷鉑沉積參數，基于所述最優鈷鉑沉積參數完成三維鈷鉑微結構制備。
...【技術特征摘要】
1.一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，該方法包括：
2.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，收集的鈷鉑沉積參數包括：鈷鉑離子比例、溶液ph值、噴嘴掃描速度和沉積電壓。
3.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，預處理操作包括：缺失值處理、異常值處理和標準化。
4.根據權利要求1所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，建立的所述圖因果網絡具體包括：圖卷積層、圖注意力層、因果推斷模塊和預測層；進行鈷鉑沉積參數處理時，將鈷鉑沉積參數轉換為圖結構，每個特征作為圖的一個節點，每個節點之間存在邊；其中：
5.根據權利要求4所述的一種基于圖神經網絡的三維鈷鉑微結構制備方法，其特征在于，在圖卷積層中，每個...
【專利技術屬性】
技術研發人員：張楊簽卉，韓冬，喬廣達，曹青，龔國芳，楊華勇，
申請(專利權)人：浙江大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。