西安交通大学微电子科学与工程本科在读。关注 AI4S (AI for Science) 与 Materials Informatics (材料信息学)：把机器学习、集成学习与大语言模型接到真实的材料问题上 —— 用成分特征预测性能、用模型给掺杂元素排序，而不是靠试错。
- 🎓 单位：西安交通大学 · 微电子科学与工程（本科在读）
- 🔬 研究方向：材料信息学、机器学习驱动的掺杂设计、钠离子电池正极、LLM Agent
- 🛠️ 主要工具：Python、scikit-learn、XGBoost、pandas、NumPy、PyTorch、LaTeX、Electron
- 💻 在做的系统：览籍智研 —— 本地优先、证据优先的科研工作台
起步阶段，先把手上的工作做扎实：还没有正式发表，下面是正在推进的两条线。
-
O3 型 Na(Ni-Fe-Mn)O₂ 正极的金属掺杂筛选 🔬 (Main) 以成分特征（元素电负性／离子半径／价态等 Magpie 式描述符）为输入，用随机森林与 XGBoost 回归预测结构稳定性与电化学性能，再据此给出掺杂元素的连续权重排序，而不是硬切阈值筛选。 方法学关注点：换元外推的可信边界，训练集与验证集的切分口径必须对齐才谈得上互相比较。
-
文献 → 结构化数据的抽取流水线 把材料文献里的「成分 — 工艺 — 性能」三元组批量抽成结构化表格，作为建模的数据底料；抽取结果逐条回查原文，保证数字可溯源。
|
本地优先的科研工作台：选题 → 检索 → 精读 → 梳理 → 写作 → 投稿一条链，AI 只出草稿，每一步都留证据、都能人工复核。数据全在自己机器上。
|
钠离子电池层状氧化物正极的掺杂元素排序：成分特征工程 + 集成学习 + 换元外推验证。代码与数据整理中，暂未公开。
|
