Problem
Battery material screening is expensive when candidates are evaluated manually or without uncertainty-aware ranking.
Back to Directory
GitHub
CathodeX
배터리 소재 특성을 예측하기 위해 그래프 신경망을 사용하는 AI 기반 양극재 스크리닝 플랫폼입니다.
PythonAIGraph Neural Networks
System Architecture
Repository Evidence
Measured from GitHub public repository data on May 31, 2026.
Primary language
Python
Last public update
2026-04-13
Tracked issues
1
Repository size
24.3 MB
Language mix
PythonTypeScriptHTMLPowerShellShell
Case Study
Architecture
A web UI submits material structures to a FastAPI inference layer backed by PyTorch graph models and ensemble-style scoring.
Security Approach
Parsing, inference, and presentation are separated so untrusted input can be validated before reaching model execution and user-facing results.
Outcome
Researchers get a faster candidate-screening workflow with ranked outputs and clearer confidence signals.
Evidence
GNN-based rankingq10/q50/q90 output bandsSeparate API inference layer
Lessons Learned
- Scientific AI tools need uncertainty presentation as much as prediction.
- Keeping model execution behind an API boundary simplifies future hardening.
Technical Overview
PyTorch와 그래프 신경망(GNN)을 사용해 양극재의 원자 구조를 모델링합니다. 고처리량 스크리닝 알고리즘으로 에너지 밀도와 안정성 같은 핵심 배터리 특성을 예측합니다.
Value Proposition
에너지 저장의 미래를 앞당깁니다. CathodeX는 배터리 소재 탐색에 드는 시간과 비용을 크게 줄여 연구자가 차세대 지속 가능한 에너지 솔루션을 찾도록 돕습니다.