[Example] Add battery-electrochemical-performance prediction model

docs/zh/MLP_LI.md

@@ -0,0 +1,55 @@
+# 锂离子电池电极材料性能预测
+
+## 概述
+该多层感知器（MLP）模型旨在利用从材料项目（Materials Project）数据集中提取的特征，预测锂离子电池电极材料的电化学性能。输入特征包括化学计量属性、晶体结构特性、电子结构属性和其他电池属性。输出为平均电压、比能量和比容量。
+
+## 结果
+
+### 模型性能
+
+模型在测试集上的表现如下：
+
+- **Test Loss**: 0.0035
+- **电压 RMSE（原始尺度）**: 0.659
+- **比容量 RMSE（原始尺度）**: 79.215
+- **比能量 RMSE（原始尺度）**: 176.573
+- **平均 RMSE（原始尺度）**: 85.482
+
+此外，模型在各个输出指标上的平均绝对误差（MAE）如下：
+
+- **电压 MAE（原始尺度）**: 0.489
+- **比容量 MAE（原始尺度）**: 50.363
+- **比能量 MAE（原始尺度）**: 127.038
+- **平均 MAE（原始尺度）**: 59.297
+
+这些结果表明模型在预测电压方面具有较高的精度，而在预测比容量和比能量方面还有一定的改进空间。
+
+### 图表
+
+#### 1. 电压的性能预测（原始尺度）
+此图展示了电压的性能预测。预测值与真实值的比较用于评估模型的准确性。
+
+![电压的性能预测（原始尺度）](results_out/performance_prediction_voltage.png)
+
+#### 2. 性能预测（原始尺度）
+此图展示了模型对所有三个电化学性能（电压、比能量和比容量）的整体预测表现。
+
+![性能预测（原始尺度）](results_out/performance_prediction_original.png)
+
+#### 3. 初始训练损失
+以下图显示了在初始训练阶段的训练和验证损失变化情况（按Epochs）。
+
+![初始训练损失](results_out/initial_training_loss.png)
+
+## 结论
+该 MLP 模型在提供的数据集上表现出较强的预测能力，尤其是在电压的预测上。然而，在比容量和比能量的预测上还有进一步改进的空间。未来可以通过更丰富的特征工程、更复杂的模型架构以及优化的超参数调整来提高模型的预测性能。
+
+## 下一步
+1. 考虑增加额外的特征或进行特征工程，以提高模型预测的准确性。
+2. 尝试不同的神经网络架构或优化策略，以改进性能。
+3. 继续进行超参数优化，以获得更好的模型性能。
+
+
+## 文章细节请参考如下文章
+
+Yang, X., Li, Y., Liu, Z., & Zhang, W. (2022

examples/MLP_LI/MLP_LI.md

@@ -0,0 +1,55 @@
+# 锂离子电池电极材料性能预测
+
+## 概述
+该多层感知器（MLP）模型旨在利用从材料项目（Materials Project）数据集中提取的特征，预测锂离子电池电极材料的电化学性能。输入特征包括化学计量属性、晶体结构特性、电子结构属性和其他电池属性。输出为平均电压、比能量和比容量。
+
+## 结果
+
+### 模型性能
+
+模型在测试集上的表现如下：
+
+- **Test Loss**: 0.0035
+- **电压 RMSE（原始尺度）**: 0.659
+- **比容量 RMSE（原始尺度）**: 79.215
+- **比能量 RMSE（原始尺度）**: 176.573
+- **平均 RMSE（原始尺度）**: 85.482
+
+此外，模型在各个输出指标上的平均绝对误差（MAE）如下：
+
+- **电压 MAE（原始尺度）**: 0.489
+- **比容量 MAE（原始尺度）**: 50.363
+- **比能量 MAE（原始尺度）**: 127.038
+- **平均 MAE（原始尺度）**: 59.297
+
+这些结果表明模型在预测电压方面具有较高的精度，而在预测比容量和比能量方面还有一定的改进空间。
+
+### 图表
+
+#### 1. 电压的性能预测（原始尺度）
+此图展示了电压的性能预测。预测值与真实值的比较用于评估模型的准确性。
+
+![电压的性能预测（原始尺度）](results_out/performance_prediction_voltage.png)
+
+#### 2. 性能预测（原始尺度）
+此图展示了模型对所有三个电化学性能（电压、比能量和比容量）的整体预测表现。
+
+![性能预测（原始尺度）](results_out/performance_prediction_original.png)
+
+#### 3. 初始训练损失
+以下图显示了在初始训练阶段的训练和验证损失变化情况（按Epochs）。
+
+![初始训练损失](results_out/initial_training_loss.png)
+
+## 结论
+该 MLP 模型在提供的数据集上表现出较强的预测能力，尤其是在电压的预测上。然而，在比容量和比能量的预测上还有进一步改进的空间。未来可以通过更丰富的特征工程、更复杂的模型架构以及优化的超参数调整来提高模型的预测性能。
+
+## 下一步
+1. 考虑增加额外的特征或进行特征工程，以提高模型预测的准确性。
+2. 尝试不同的神经网络架构或优化策略，以改进性能。
+3. 继续进行超参数优化，以获得更好的模型性能。
+
+
+## 文章细节请参考如下文章
+
+Yang, X., Li, Y., Liu, Z., & Zhang, W. (2022