固态电解质机器学习

本系统基于课题组提出的领域知识嵌入的"分而治之"机器学习建模思想，构建了分样本、分属性、分结构三种无机固态电解质离子输运构效关系模型。具体包括：(1) 基于不同物理/化学因素对固态电解质离子输运性能的影响机制不尽相同的领域知识，研发了领域知识嵌入的属性分而治之机器学习模块，按不同特征组合来自动构建多元高精度机器学习预测模型，从而探寻不同描述符对单体系固态电解质离子输运性能的作用机制。(2) 基于不同体系、不同工艺和不同环境下的固态电解质离子输运构效关系不同的领域知识，研发了领域知识嵌入的样本分而治之机器学习模块，为不同的固态电解质簇自适应选择最优的预测模型，从而探寻成分-结构-工艺-环境对多体系固态电解质离子输运性能的不同影响机理。(3) 利用几何分析算法将材料结构分解为晶体结构和间隙网络，分别抽取晶体结构图的关键化学表征向量和间隙网络中离子输运与关键节点表征向量，研发了材料领域知识嵌入的结构分而治之深度学习模块，构建两种表征向量的图神经网络模型及其融合模型，从而揭示固态电解质结构和输运过程等动力学行为之间的科学规律。该系统为无机固态电解质离子输运机制揭示提供了一个易于使用、高精度且具有一定可解释性的机器学习工具。