買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州電子科技大學申請的專利一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120452642B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510962073.7，技術領域涉及：G16C60/00；該發明授權一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法是由陳峻仰;石春景;楊錦垚設計研發完成，并于2025-07-14向國家知識產權局提交的專利申請。

本一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法在說明書摘要公布了：本發明涉及材料設計與人工智能交叉領域，是一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法。本發明構建了集成多種模型的預測框架，包括支持向量回歸、梯度提升回歸、深度神經網絡及圖神經網絡，充分融合組分、工藝與結構三類參數特征，高效學習輸入變量與電阻率、電導率等性能參數之間的非線性映射關系。為提升可信度，本發明進一步引入貝葉斯神經網絡與蒙特卡洛方法，輸出每組預測結果對應的置信區間，實現預測值可信度的定量評估。在反設計模塊中，基于變分自編碼器進行高維潛空間參數生成，并結合貝葉斯優化與遺傳算法等策略，實現目標性能驅動下的參數組合智能推薦。本發明能夠有效提升固態電解質的設計效率與材料發現的成功率。

本發明授權一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法在權利要求書中公布了：1.一種融合圖神經網絡與置信度分析的固態電解質智能反設計方法，其特征在于，包括： 構建基于多模型融合的電解質材料性能預測模型；所述性能預測模型包括支持向量回歸、梯度提升回歸樹、多層感知機神經網絡和圖神經網絡；所述支持向量回歸利用核函數將非線性輸入特征映射至高維空間，構建穩健的回歸超平面；所述梯度提升回歸樹基于Boosting集成方法構建多個弱回歸樹，通過殘差迭代方式提升預測精度；所述多層感知機神經網絡構建多層全連接深度神經網絡，提取輸入特征的高階非線性表示；所述圖神經網絡針對拓撲類信息將原子間連接關系建模為圖結構，通過圖卷積機制提取原子局域環境與全局結構的綜合表示； 利用標準化后的輸入變量對所述性能預測模型進行訓練；所述輸入變量包括電解質材料的化學組分比例、晶體結構編碼、燒結溫度、堆疊壓力和顆粒粒徑； 所述性能預測模型使用標準化后的輸入變量進行訓練，所述性能預測模型中融合的多模型均在標準化特征空間中獨立訓練，對多個模型預測值進行加權平均融合： 其中，表示融合后的性能預測值，表示融合的子模型數量，表示第個模型對樣本的預測值，為融合權重，根據交叉驗證誤差動態調整； 計算所述性能預測模型對材料性能預測的置信區間； 基于潛空間生成機制結合多目標優化方法構建智能反設計系統，實現固態電解質材料篩選； 所述潛空間生成機制具體包括：構建基于變分自編碼器的參數生成器，編碼器將高維輸入映射至潛在變量空間；編碼器從潛在空間重建可行輸入組合；所述潛在空間服從正態分布，優化目標函數變為下界： 其中，表示在編碼器輸出分布上對潛變量z的期望，表示編碼分布與先驗分布之間的Kullback-Leibler散度，表示潛變量的先驗分布。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區2號大街；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。