基于多目标优化与深度学习的催化剂智能设计方法及系统

本发明公开了一种基于多目标优化与深度学习的催化剂智能设计方法及系统，旨在解决传统催化剂设计中单目标优化的局限性、计算资源消耗高等问题。本发明通过融合原子级与宏观特征构建图数据，利用多任务图神经网络(GNN)进行多目标预测，结合NSGA‑II多目标优化算法与贝叶斯优化的动态权重调整策略，实现吸附能与稳定性损耗的协同优化。通过主动学习与虚拟实验验证闭环，动态选择候选材料并更新模型，显著提升了材料设计的效率与精度。本发明适用于高性能催化剂的快速发现与优化，具有广泛的应用前景。