基于机器学习的电解质性能数据确定方法和装置与流程

本申请涉及人工智能，特别是涉及一种基于机器学习的电解质性能数据确定方法和装置。

背景技术：

1、电解质是溶于水溶液中或在熔融状态下自身能够导电的化合物。电解质包括固态电解质和液态电解质。固态电解质通常用于固态电池中，与液态电解质相比，固态电解质具有性能稳定和安全性高等优点。找寻更优性能的电解质，能够推动科技的进步。

2、现有技术中，通常利用实验手段或理论计算的方法来获取新型电解质，在筛选电解质材料方面存在操作繁琐和计算量大等问题，使得电解质寻优存在效率低下的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于机器学习的电解质性能数据确定方法和装置，能够提高电解质寻优的效率。

2、第一方面，本申请提供了一种基于机器学习的电解质性能数据确定方法，所述方法包括：

3、获取目标电解质的候选性能数据；其中，所述候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；

4、将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据；其中，所述目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。

5、在其中一个实施例中，所述采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练，包括：

6、获取样本电解质的最优性能数据和候选性能数据；

7、根据所述样本电解质的候选性能数据和最优性能数据，对各初始预测模型进行训练；

8、对经训练的各初始预测模型的模型参数进行融合，得到所述目标预测模型。

9、在其中一个实施例中，所述根据所述样本电解质的候选性能数据和最优性能数据，对各初始预测模型进行训练，包括：

10、将所述样本电解质的候选性能数据，分别输入至各初始预测模型，得到各初始预测模型输出的预测性能数据；

11、根据各初始预测模型输出的预测性能数据与所述样本电解质的最优性能数据之间的第一比较结果，以及各初始预测模型对应的模型参数之间的第二比较结果，调整各初始预测模型的模型参数。

12、在其中一个实施例中，所述对经训练的各初始预测模型的模型参数进行融合，得到所述目标预测模型，包括：

13、针对每一经训练的初始预测模型，采用经训练的该初始预测模型的加权系数，对经训练的该初始预测模型的模型参数进行加权处理，得到经训练的该初始预测模型的加权模型参数；

14、对各经训练的各初始预测模型的加权模型参数进行融合，得到所述目标预测模型的目标模型参数；

15、根据所述目标模型参数和任一初始预测模型，生成所述目标预测模型。

16、在其中一个实施例中，所述获取目标电解质的候选性能数据，包括：

17、在目标电解质的数据源中获取多维度的性能数据；

18、对多维度的性能数据进行预处理，得到所述目标电解质的候选性能数据；其中，所述预处理包括数据清洗、数据标准化处理和数据归一化处理中的至少一种。

19、在其中一个实施例中，所述将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据之后，所述方法还包括：

20、根据所述目标电解质的最优性能数据，确定所述目标电解质的材料种类和结构组成；

21、对所述目标电解质的最优性能数据、材料种类和结构组成进行可视化展示。

22、在其中一个实施例中，所述目标电解质为固态电解质。

23、第二方面，本申请还提供了一种基于机器学习的电解质性能数据确定装置，所述装置包括：

24、获取模块，用于获取目标电解质的候选性能数据；其中，所述候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；

25、确定模块，用于将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据；其中，所述目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。

26、第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

27、获取目标电解质的候选性能数据；其中，所述候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；

28、将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据；其中，所述目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。

29、第四方面，本申请还提供了一种计算机可读存储介质，所述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：

30、获取目标电解质的候选性能数据；其中，所述候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；

31、将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据；其中，所述目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。

32、第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

33、获取目标电解质的候选性能数据；其中，所述候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；

34、将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据；其中，所述目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。

35、上述基于机器学习的电解质性能数据确定方法和装置，首先利用样本电解质的候选性能数据，对多个初始预测模型进行训练，以得到目标预测模型；在利用目标预测模型预测目标电解质的最优性能时，获取目标电解质的候选性能数据；其中，候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；并将目标电解质的候选性能数据输入至目标预测模型中，以得到目标电解质的最优性能数据。上述方案，利用目标预测模型基于候选性能数据，确定出目标电解质的最优性能数据，相比于现有技术中利用实验或理论计算的方法确定出目标电解质的最优性能数据，能够更加快速地确定出目标电解质的最优性能数据，进而提高了电解质寻优的效率。

技术特征：

1.一种基于机器学习的电解质性能数据确定方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述样本电解质的候选性能数据和最优性能数据，对各初始预测模型进行训练，包括：

4.根据权利要求2所述的方法，其特征在于，所述对经训练的各初始预测模型的模型参数进行融合，得到所述目标预测模型，包括：

5.根据权利要求1所述的方法，其特征在于，所述获取目标电解质的候选性能数据，包括：

6.根据权利要求1所述的方法，其特征在于，所述将所述目标电解质的候选性能数据输入至目标预测模型中，得到所述目标电解质的最优性能数据之后，所述方法还包括：

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述目标电解质为固态电解质。

8.一种基于机器学习的电解质性能数据确定装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种基于机器学习的电解质性能数据确定方法和装置。所述方法包括：获取目标电解质的候选性能数据；其中，候选性能数据包括候选电化学性能数据、候选物理性质数据和候选化学成分数据；将目标电解质的候选性能数据输入至目标预测模型中，得到目标电解质的最优性能数据；其中，目标预测模型采用样本电解质的候选性能数据和最优性能数据，对多个初始预测模型进行训练得到。利用目标预测模型基于候选性能数据，确定出目标电解质的最优性能数据，相比于现有技术中利用实验或理论计算的方法确定出目标电解质的最优性能数据，能够更加快速地确定出目标电解质的最优性能数据，进而提高了电解质寻优的效率。

技术研发人员：陈浩,荣常如,陈书礼,王君君,赵文涵,高敬莞,黄立城,门鑫,李咏琪
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：
技术公布日：2024/6/5