[发明专利]基于机器学习的固态电解质材料筛选可视化系统及方法

说明书

本发明设计了基于机器学习的固态电解质材料筛选可视化系统及方法，本发明属于计算机技术领域，解决机器学习方法应用于寻找具有高离子电导率等特性的固态电解质材料时缺少辅助工具的问题，基于机器学习的固态电解质材料筛选可视化系统包括可视分析系统，所述可视分析系统包括控制面板视图、平行坐标视图、聚类视图、材料比较视图、特征贡献视图和模型比较视图。本发明为机器学习方法应用于寻找具有高离子电导率等特性的固态电解质材料提供了辅助工具，能够帮助材料领域专家分析和理解机器学习模型，并实现对满足特定性能需求材料的预测。

技术领域

本发明属于计算机技术领域，具体涉及计算机图形学和图像处理技术领域中的基于机器学习的固态电解质材料筛选可视化系统及方法。

背景技术

随着“碳达峰”和“碳中和”目标的提出，能源消费领域电气化进程将进一步加快，其中在储能技术领域，锂电池是当前最具发展潜力的技术之一，已被广泛地应用在国民生活的方方面面。传统的锂电池所采用的液态电解质存在漏液、易燃和爆炸等多方面的潜在安全隐患，能量密度和安全性更高的固态电解质被认为是代替液态电解质的理想解决方案。当前，机器学习方法被广泛应用于寻找具有高离子电导率等特性的固态电解质材料，但却缺少辅助工具帮助材料领域专家分析和理解机器学习模型，并实现对满足特定性能需求材料的筛选。

发明内容

本发明公开了基于机器学习的固态电解质材料筛选可视化系统及方法，拟解决机器学习方法应用于寻找具有高离子电导率等特性的固态电解质材料时缺少辅助工具的问题。

本发明的技术方案为：

基于机器学习的固态电解质材料筛选可视化系统，包括可视分析系统，所述可视分析系统包括：

控制面板视图：用于提供参数的自定义选择，用户根据自己的需求选择合适的参数；

平行坐标视图：用于展示不同材料的各个特征，根据材料是否满足要求对其进行区分，从而判断出对满足要求最具贡献的特征；

聚类视图：用于展示降维后的材料数据，根据聚类视图上相互之间的距离判断降维后的材料数据在之间的相似性；

材料比较视图：用于对不同材料进行对比分析；

特征贡献视图：用于展示不同特征对满足要求的贡献度，能够根据贡献度区分不同集群；

模型比较视图：用于展示不同的算法模型，并对不同算法模型进行对比分析。

上述技术方案的工作原理如下：

通过控制面板视图可对基于机器学习的固态电解质材料筛选可视化系统中的各个参数进行调节；通过平行坐标视图可大致判断出对最具贡献的特征；聚类视图可将未知类别的样本划分为多个组，具有某些相似性的样本将分到同一组，即一个集群；材料比较视图可对若干个目标材料进行比较，从而选择出理想的固态电解质材料；特征贡献视图可根据贡献最大的特征区分不同集群；通过模型比较视图可以了解单个模型的具体性能，同时也可以比较不同算法之间的性能差异以选择合适的模型。

相比于现有技术，本技术方案通过设计了一个包括控制面板视图、平行坐标视图、聚类视图、材料比较视图、特征贡献视图和模型比较视图的基于机器学习的固态电解质材料筛选可视化系统，为机器学习方法应用于寻找具有高离子电导率等特性的固态电解质材料提供了辅助工具，能够帮助材料领域专家分析和理解机器学习模型，并实现对满足特定性能需求材料的筛选。

进一步的，所述控制面板视图包括特征数量调整选项、集群数量调整选项、投影及聚类算法更改选项、分类算法选择选项和折线模式选项。

通过对控制面板视图的设置，可对筛选和预测过程中特征数量、集群数量、投影和聚类算法、分类算法和折线模式进行调整，增加了基于机器学习的固态电解质材料筛选可视化系统的灵活性。