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！

龙图腾网获悉中国科学院计算技术研究所;上海处理器技术创新中心申请的专利原子间势能面模型的离群点感知自适应混合精度量化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：CN117574973B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202311580204.2，技术领域涉及：G06N3/0495；该发明授权原子间势能面模型的离群点感知自适应混合精度量化方法是由刘涛;贾伟乐;谭光明;孙凝晖;董翔设计研发完成，并于2023-11-24向国家知识产权局提交的专利申请。

本原子间势能面模型的离群点感知自适应混合精度量化方法在说明书摘要公布了：本发明提出一种原子间势能面模型的离群点感知自适应混合精度量化方法和系统，通过对不同阶数项系数使用不同数据宽度的混合精度量化，本发明提出的离群点感知的量化方法可以有效的提高量化表示的效率；本发明提出了对由量化带来的多项式表示的误差进行系统性控制的机制与方法，并提出在误差控制的约束下实现对不同阶数项系数混合精度量化的最优量化精度自适应选择方法。本发明通过对原子间势能模型多项式系数表的数据分析，自适应地给出最优的混合精度量化方案并依据此方案对多项式系数表执行离群点感知的混合精度量化操作，提高原子间势能模型的推理规模与推理速度。

本发明授权原子间势能面模型的离群点感知自适应混合精度量化方法在权利要求书中公布了：1.一种原子间势能面模型的离群点感知自适应混合精度量化方法，包括：获取待拟合原子势能的原子体系，该原子体系包括多个原子，以每个原子为中心原子结合预设的截断半径，生成每个中心原子的邻居原子的相对坐标集合Ri；根据中心原子和其所有邻居原子的位置关系，构建每个中心原子的局部环境矩阵，以为原子间势能面模型的输入，拟合得到每个中心原子的势能Ei； 其中，该原子间势能面模型，包括EmbeddingNet和FittingNet两部分，EmbeddingNet将输入的映射到嵌入空间，根据生成中心原子的嵌入矩阵Gi；通过对Ri与Gi的计算，生成保证物理对称性的局部环境描述符Di；FittingNet以Di为输入，拟合得到中心原子的势能Ei； 其中，根据Ri生成 i的过程为：针对中心原子i的每一个邻居原子j，执行： 上式左边为Ri，右边为，为邻居原子j相对于中心原子i的相对坐标，rji代表为原子i和原子j间的距离； 其中rcs是光滑截断参数，rc为该截断半径； 由EmbeddingNet中的神经网络G完成基于Srji生成Gi，，选取多阶分段多项式对该神经网络G进行拟合，以将该神经网络G转化为MxNxK维的分段多项式系数表，其中M为分段数，N为该神经网络G的输出维度，K为该多阶分段多项式的总阶数；根据Srji所在的分段区间，针对每个输出维度对该分段多项式系数表进行查表，得到Srji的多项式系数，并计算出每个输出维度的多项式拟合值，即可得到Gi； 其特征在于， 该MxNxK维的分段多项式系数表内部数据为浮点数，对该分段多项式系数表进行基于离群点感知混合精度量化，以将该分段多项式系数表转化为内部数据为定点数的量化系数表，根据Srji所在的分段区间对该量化系数表进行反量化，得到Srji的多项式系数，具体过程包括： 步骤1、将该分段多项式系数表沿K维度剖分为K组按多项式阶数区分的NxM维数据，为K组数据分别设置量化位宽L0-LK-1； 步骤2、在该K组数据中的每一组浮点数据中，最大值为Vmax，最小值为Vmin，非离群点的最大值为Nsup，非离群点的最小值为Ninf，对该每一组浮点数据进行排序后，以Vmax为起点降序检索数据至Nsup，同时以Vmin为起点升序检索数据至Ninf，在区间[Vmin，Ninf以及Nsup，Vmax]之内的数据为离群点； 步骤3、将该分段多项式系数表内的该离群点集中存储在额外的离群点数组中，在量化表示过程中，该离群点被表示为指向其所在存储数组的索引；将该分段多项式系数表内的非离群点量化为定点数，得到该量化系数表； 步骤4、根据输入数据Srji在M维度进行分段检索，选中该量化系数表输入数据对应分段的NxK维数据表格后，将其分为K组N元数据，每组数据分别执行反量化流程并在反量化过程中，识别离群点的索引，依据该索引从该离群点数组中找到离群点的浮点数值，得到反量化恢复后的NxK维多项式系数表格作为输入数据的Srji的多项式系数。

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科学院计算技术研究所;上海处理器技术创新中心，其通讯地址为：100080 北京市海淀区中关村科学院南路6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。