一种融合图神经网络与置信度分析的固态电解质智能反设计方法

本发明涉及材料设计与人工智能交叉领域，是一种融合图神经网络与置信度分析的固态电解质智能反设计方法。本发明构建了集成多种模型的预测框架，包括支持向量回归、梯度提升回归、深度神经网络及图神经网络，充分融合组分、工艺与结构三类参数特征，高效学习输入变量与电阻率、电导率等性能参数之间的非线性映射关系。为提升可信度，本发明进一步引入贝叶斯神经网络与蒙特卡洛方法，输出每组预测结果对应的置信区间，实现预测值可信度的定量评估。在反设计模块中，基于变分自编码器进行高维潜空间参数生成，并结合贝叶斯优化与遗传算法等策略，实现目标性能驱动下的参数组合智能推荐。本发明能够有效提升固态电解质的设计效率与材料发现的成功率。