2024 年諾貝爾物理獎與化學(xué)獎都頒給“AI for Science”相關(guān)領(lǐng)域，這一重大事件無疑為該領(lǐng)域的蓬勃發(fā)展注入了強勁動力。在科學(xué)研究的新范式——“AI for Science”時代，基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)力場（ML-FFs）成功化解了第一性原理電子結(jié)構(gòu)方法與傳統(tǒng)經(jīng)驗力場之間在準確性和效率方面的矛盾。近年來，該領(lǐng)域發(fā)展態(tài)勢迅猛，在 Web of Science 平臺的檢索結(jié)果中清晰可見相關(guān)工作頻繁登上 Nature、Science、Cell 等頂尖學(xué)術(shù)刊物。

隨著計算機算力的迅速發(fā)展，通過 ML-FFs 實現(xiàn)第一性原理級別精度的大規(guī)模分子模擬研究已成為現(xiàn)實。機器學(xué)習(xí)方法還使人們對原本以為熟知的系統(tǒng)有了新的化學(xué)認知，例如小分子的非對稱電子效應(yīng)等現(xiàn)象，使研究者們能夠更好地理解實驗結(jié)果。由此可見，ML-FFs 極有可能成為現(xiàn)代計算化學(xué)與分子模擬的重要組成部分。

然而，作為新興的跨學(xué)科領(lǐng)域，該領(lǐng)域知識涵蓋面廣、門檻較高，涉及量子化學(xué)、分子模擬和機器學(xué)習(xí)等多個學(xué)術(shù)領(lǐng)域。相關(guān)資料和學(xué)習(xí)平臺相對匱乏，信息技術(shù)也不夠開放。在這種情況下，專業(yè)培訓(xùn)學(xué)習(xí)顯得尤為迫切。

七大頂尖課程

01 機器學(xué)習(xí)分子動力學(xué)

02 機器學(xué)習(xí)第一性原理

03 機器學(xué)習(xí)輔助金屬有機框架（MOFs）智能設(shè)計

04 AI賦能復(fù)合材料智能設(shè)計與多尺度仿真

05 人工智能材料疲勞分析與斷裂力學(xué)

06 機器學(xué)習(xí)與催化劑設(shè)計

07 機器學(xué)習(xí)合金設(shè)計

01機器學(xué)習(xí)分子動力學(xué)

第一天、 第一性原理基礎(chǔ)、分子動力學(xué)原理和Python編程

1.理論內(nèi)容

（1）科學(xué)研究的四范式

①從大數(shù)據(jù)時代到AI4SCIENCE時代，如Google DeepMind/微軟研究院/Meta FAIR等著名AI團隊的AI4SCIENCE工作介紹

（2）AI4SCIENCE時代的分子動力學(xué)模擬

①　分子模擬基本方法與發(fā)展歷史

②　量子化學(xué)中常見理論方法的分類與區(qū)別，DFT相關(guān)泛函的簡要介紹

③　經(jīng)驗力場與第一性原理方法的對比與區(qū)別

④　機器學(xué)習(xí)力場方法的興起

2.實操內(nèi)容

（1）Linux系統(tǒng)與超算服務(wù)器的常規(guī)操

① ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch以及vim的常見操作

（2）python虛擬環(huán)境(Anaconda)的使用

① conda create/activate/deactivate/install/info/env等命令

（3）Python的集成開發(fā)環(huán)境(IDE)的介紹與基本使用

① Python的基本數(shù)據(jù)類型、函數(shù)、模塊

② Pycharm的常見用法與代碼調(diào)試，以及虛擬環(huán)境的配套

③ Pytorch的安裝和調(diào)用GPU訓(xùn)練模型

（4）原子建模環(huán)境軟件ASE的使用

① 使用ASE對體系結(jié)構(gòu)進行建模，得到cif文件

② ASE和VASP、GPAW等軟件結(jié)合使用

（5）分子模擬軟件介紹——LAMMPS的入門與使用

①　軟件發(fā)展趨勢與特點

②　大規(guī)模并行的原理：域分解算法介紹

③　輸入文件的詳細解析與注意事項

4.相關(guān)勢函數(shù)和晶格常數(shù)的獲取渠道

5.分子模擬軌跡的后處理與分析：徑向分布函數(shù)與擴散系數(shù)

6.機器學(xué)習(xí)勢函數(shù)在LAMMPS中的使用

（6）量子化學(xué)計算軟件VASP的介紹與快速上手

①　軟件發(fā)展趨勢與特點

②　安裝與使用，以及贗勢文件的介紹與獲取

③　使用VASPKIT軟件快速生成VASP的單點能或分子動力學(xué)模擬的輸入文件

④　輸入文件的字段解釋與注意事項

⑤　使用Python實現(xiàn)自動化提交任務(wù)與任務(wù)后處理

（4）案例：傳統(tǒng)力場方法與機器方法力場方法的對比

①　基于基于經(jīng)驗力場方法，結(jié)合LAMMPS執(zhí)行合金體系模擬；

②　基于機器學(xué)習(xí)力場方法，結(jié)合LAMMPS執(zhí)行合金體模擬；

使用MDtraj等軟件進行模擬結(jié)果的后處理分析與Python高質(zhì)量科研繪圖，包括：能量與力的預(yù)測曲線，徑向分布函數(shù)，鍵長鍵角二面角分布等。

Fig1.Schematic Diagram of Spatiotemporal Scale Distribution and Cross-Scale Accuracy-Efficiency Trade-off of Multiscale Physical Models

.第二天、機器學(xué)習(xí)力場的模型設(shè)計

1.理論內(nèi)容

（1）機器學(xué)習(xí)與深度學(xué)習(xí)的快速入門

①　機器學(xué)習(xí)常見概念與分類

②　機器學(xué)習(xí)的發(fā)展歷史以及通用近似理論：

③　解釋神經(jīng)網(wǎng)絡(luò)對GPU的依賴

④　神經(jīng)元，反向梯度下降，損失函數(shù)，過/欠擬合，殘差連接等基本概念

⑤　ANN, CNN, RNN, TRANSFORMER,ResNet等經(jīng)典深度神經(jīng)網(wǎng)絡(luò)的基本框架的介紹與特點

⑥　相關(guān)學(xué)習(xí)資源的推薦

⑦　Pytorch與Tensorflow的發(fā)展現(xiàn)狀

（2）科學(xué)領(lǐng)域的機器學(xué)習(xí)模型介紹

①　AI模型在SCIENCE領(lǐng)域需要遵守的幾個物理約束/物理對稱性

②　高效描述局部環(huán)境方法的分類與特點

a.基于核方法或深度神經(jīng)網(wǎng)絡(luò)方法

b.基于描述符或分子圖方法

③　基于描述符的機器學(xué)習(xí)力場模型

④　機器學(xué)習(xí)力場的開篇工作——HDNNPs(BPNN)模型詳解與發(fā)展

⑤　國內(nèi)生態(tài)最好的機器學(xué)習(xí)力場模型——DeePMD系列

a.DeePMD系列工作的詳解

b.DeePMD的發(fā)展和幾種描述符的介紹，特點與應(yīng)用

c.DeePMD的壓縮原理與特點

d.DPGEN的工作原理

2.實操內(nèi)容

①　DeePMD的離線安裝與驗證測試

②　DeePMD輸入文件詳解:與理論課的模型框架相對應(yīng)地進行超參數(shù)設(shè)定的講解，及使用經(jīng)驗

③　DeePMD的常見功能，包括訓(xùn)練，重啟，凍結(jié)，壓縮和測試

④　DeePMD的常見問題與訓(xùn)練過程的分析

⑤　綜合使用LAMMPS和DeePMD, 執(zhí)行高精度的分子動力學(xué)模擬

⑥　分子模擬的數(shù)據(jù)后處理與分析

⑦　DPGEN軟件的安裝，介紹與工作流程

⑧　DPGEN軟件的輸入和輸出文件：param.json和machine.json文件的參數(shù)詳解

⑨　DPGEN軟件跨計算分區(qū)的提交任務(wù)示例；不同量化級別方法的示例

⑩　DPGEN軟件的常用命令與使用經(jīng)驗，以及不同體系收斂的參考標準

Fig2.The components of the DeePMD-kit package. The direction of the arrow indicates the dependency between the components. The blue box represents an optional component.

Fig3.Flowchart of DP-GEN Active Learning (Active Learning Framework for Materials Simulation Based on Density Functional Theory).

第三天、圖神經(jīng)網(wǎng)絡(luò)與等變模型

1.理論內(nèi)容

（1）圖神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)和消息傳遞神經(jīng)網(wǎng)絡(luò)的發(fā)展與理解

①　圖神經(jīng)網(wǎng)絡(luò)和MPNN消息傳遞神經(jīng)網(wǎng)絡(luò)

②　具有不變性的消息傳遞神經(jīng)網(wǎng)絡(luò)

③　晶體圖卷積神經(jīng)網(wǎng)絡(luò)CGCNN

④　消息傳遞神經(jīng)網(wǎng)絡(luò)的一般框架和組成

⑤　SchNet和DimeNet++等不變消息傳遞神經(jīng)網(wǎng)絡(luò)的介紹

⑥　SchNet和DimeNet++的特點

⑦　DimeNet++中角度信息的引入——球諧基函數(shù)

⑧　深入理解消息傳遞過程——圖卷積

（2）等變模型的理解

①　具有等變性的消息傳遞神經(jīng)網(wǎng)絡(luò)

②　等變的概念

③　等變性和不變性的區(qū)別

④　理解等變性——群論的初步介紹

⑤　等變消息傳遞神經(jīng)網(wǎng)絡(luò)和不變等變消息傳遞神經(jīng)網(wǎng)絡(luò)的對比

⑥　常見的等變模型——PaiNN、NequIP和Allegro模型介紹

⑦　PaiNN——通過距離矩陣實現(xiàn)等變性

⑧　NequIP和Allegro——通過不可約表示實現(xiàn)等變性

2.實操內(nèi)容

（1）以不變消息傳遞神經(jīng)網(wǎng)絡(luò)SchNet為例，介紹SchNetPack的安裝和使用，包括：

①Q(mào)M9數(shù)據(jù)集的準備

②使用QM9數(shù)據(jù)集訓(xùn)練SchNet模型

③模型對體系能量和原子受力預(yù)測精度的評估

④將SchNet模型用于分子動力學(xué)模擬

⑤原子對徑向分布函數(shù)等性質(zhì)的計算

（2）高精度、輕量化的PaiNN等變神經(jīng)網(wǎng)絡(luò)

①PaiNN模型代碼的詳解

②PaiNN模型的訓(xùn)練和使用

③SchNet和PaiNN模型的對比——精度

④切身體會不變性和等變性消息傳遞神經(jīng)網(wǎng)絡(luò)的區(qū)別

（3）NequIP模型的安裝和使用，以及Nature Communications頂刊論文結(jié)果復(fù)現(xiàn)

①NequIP軟件包的安裝

②超參數(shù)的設(shè)置和介紹

③復(fù)現(xiàn)Nature Communications論文結(jié)果

（4）MACE模型的安裝和使用以及Nature Communications

①MACE代碼框架詳解

②MACE軟件的安裝和使用

③MACE和LAMMPS分子動力學(xué)軟件結(jié)合使用

④Nature Communications論文結(jié)果復(fù)現(xiàn)，

（5）Allegro模型的安裝和使用以及Nature Communications頂刊論文結(jié)果復(fù)現(xiàn)

①Allegro代碼框架詳解

②Allegro軟件的安裝和使用

③Allegro和LAMMPS分子動力學(xué)軟件結(jié)合使用

④Nature Communications論文結(jié)果復(fù)現(xiàn)，

Fig4. Prediction and explanation of molecular energies with a deep tensor neural network.

Fig5. The NequIP network architecture.

第四天、NEP勢函數(shù)訓(xùn)練與金屬體系應(yīng)用

1.理論內(nèi)容

①　NEP 勢函數(shù)核心特性：輕量、高效、金屬體系適配

②　NEP機器學(xué)習(xí)勢函數(shù)訓(xùn)練程序的輸入與輸出

③　NepTrain與NepTrain-kit軟件的介紹與簡單使用

④　NEP 在金屬模擬中的價值：解決傳統(tǒng)力場精度不足問題

⑤　NEP89 大模型：元素覆蓋范圍、泛化能力

⑥　DPA3通用原子大模型

2.實操內(nèi)容

（1）NEP 數(shù)據(jù)集制備

a.從 DFT 計算結(jié)果（如 VASP OUTCAR）提取數(shù)據(jù)

b.數(shù)據(jù)集格式轉(zhuǎn)換；用 dpdata 制作微擾結(jié)構(gòu)（增強數(shù)據(jù)多樣性）

（2）NEP 模型訓(xùn)練

a.NEP 訓(xùn)練程序安裝

b.輸入 / 輸出文件解析；模型訓(xùn)練與收斂判斷（能量 / 力誤差標準）

（3）金屬體系模擬實踐

a.基于 NEP 模型的金屬模擬：拉伸測試（Al）、熔點預(yù)測（Cu）、壓縮實驗（Cu-Ni 合金）

b.后處理：Python 繪制應(yīng)力-應(yīng)變曲線、MSD、RDF 等科研圖表

Fig6. Schematic architecture of NEP4 model and multi-loss evolutionary training algorithm.

講師簡介

主講老師來自985重點高校

研究方向：計算材料學(xué) 高熵合金 研究主要從事AI4S，從事計算機和物化方面的交叉研究

師資產(chǎn)出：SCI一區(qū)一作2篇，SCI二區(qū)一作2篇，SCI一區(qū)和二區(qū)三作共一第二各一篇。熟悉機器學(xué)習(xí)算法，圖神經(jīng)網(wǎng)絡(luò)，graphormer，uni-mol等，熟悉機器學(xué)習(xí)勢deepmd、nep、mace等， 在JCTC、JPCL、PCCP發(fā)表機器學(xué)習(xí)與材料相結(jié)合文章。

02機器學(xué)習(xí)第一性原理

第一部分：第一性原理基礎(chǔ)和Python編程

1. 理論內(nèi)容

(1) 課程引言

① 第一性原理計算的基本概念——從量子力學(xué)基本方程到材料性質(zhì)的預(yù)測

② 深度學(xué)習(xí)在第一性原理計算中的應(yīng)用和優(yōu)勢

③ 課程內(nèi)容安排

(2) 第一性原理計算基本理論

① 第一性原理計算的發(fā)展歷程——從薛定諤方程到密度泛函理論

② 密度泛函理論（DFT）——從波函數(shù)到電子密度

③ 交換關(guān)聯(lián)泛函的作用和平面波與平面波基組

(3) 第一性原理計算軟件

① Python編程語言介紹

② 常用的原子建模環(huán)境軟件——ASE和pymatgen

③ 常用的第一性原理計算軟件——VASP和GPAW

2. 上機實驗

(1) Linux系統(tǒng)的常用命令

① 命令行終端軟件——iTerm和Xshell

② ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch等命令行操作

③ vim文本編輯

(2) Python環(huán)境管理軟件Anaconda的使用

① 使用Conda命令創(chuàng)建環(huán)境、安裝Python庫

② 使用Conda命令管理環(huán)境和環(huán)境的回溯

(3) Python編程語言基礎(chǔ)和集成開發(fā)環(huán)境(IDE)的介紹

① 數(shù)據(jù)類型、函數(shù)、類和對象、模塊

② Pycharm軟件的使用和常見用法

③ Jupyter Notebook的使用

(4) Python實戰(zhàn)

① 條件語句，循環(huán)語句等

② Numpy數(shù)學(xué)運算庫

③ Pandas數(shù)據(jù)分析庫

④ Matplotlib數(shù)據(jù)可視化

(5) 超算服務(wù)器和Slurm作業(yè)調(diào)度系統(tǒng)的使用

(6) 原子建模環(huán)境軟件ASE的使用

① ASE的常用功能

② 使用ASE對體系結(jié)構(gòu)進行建模，得到cif文件

(7) 第一性原理計算軟件GPAW、VASP的使用

① GPAW的基本操作和輸入文件

② ASE和GPAW、VASP等軟件結(jié)合使用

③ 第一性原理計算軟件的參數(shù)設(shè)置和結(jié)果收斂性檢查

④ 以晶體材料為例，使用GPAW/VASP進行第一性原理計算

⑤ 體系能量、原子受力和極化等性質(zhì)的計算

第二部分：深度學(xué)習(xí)在第一性原理計算中的應(yīng)用——神經(jīng)網(wǎng)絡(luò)勢函數(shù)（一）

1.課程內(nèi)容

(1)深度學(xué)習(xí)基本理論

①人工神經(jīng)網(wǎng)絡(luò)與萬能近似定理

②神經(jīng)元的基本結(jié)構(gòu)與功能

③常見的激活函數(shù)及其特點

④前向傳播與反向傳播的基本原理

(2)深度學(xué)習(xí)的發(fā)展歷程和優(yōu)勢

①神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程：從全連接到深度學(xué)習(xí)大模型

②神經(jīng)網(wǎng)絡(luò)的常見分類：FNN、CNN、RNN和GNN

③深度神經(jīng)網(wǎng)絡(luò)入門——以ResNet殘差神經(jīng)網(wǎng)絡(luò)為例

④常用的深度學(xué)習(xí)庫——Pytorch介紹

神經(jīng)網(wǎng)絡(luò)勢函數(shù)

①從高斯核回歸到神經(jīng)網(wǎng)絡(luò)勢函數(shù)

②神經(jīng)網(wǎng)絡(luò)勢函數(shù)的基本假設(shè)——局域性假設(shè)和對稱性要求

③原子結(jié)構(gòu)和周圍化學(xué)環(huán)境的表征

④BPNN描述符和DP深度神經(jīng)網(wǎng)絡(luò)勢函數(shù)

(4)晶體材料簡介及其電子結(jié)構(gòu)特點

①晶體的基本概念：布拉維格子、空間群和對稱性

②晶體材料的電子結(jié)構(gòu)和態(tài)密度分析

2.上機實驗

(1)第一性原理計算軟件進階

①VASP/GPAW計算BaTiO3的電子能帶結(jié)構(gòu)和態(tài)密度、電荷密度等性質(zhì)

②第一性原理數(shù)據(jù)集的構(gòu)造——AIMD從頭算分子動力學(xué)

③使用T-sne技術(shù)進行數(shù)據(jù)集的可視化

(2) Pytorch深度學(xué)習(xí)庫

①Pytorch的安裝和調(diào)用GPU訓(xùn)練模型

②Pytorch的基本功能與模塊化設(shè)計

③使用Pytorch搭建簡單的神經(jīng)網(wǎng)絡(luò)模型

④神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程

(3)深度學(xué)習(xí)項目實踐——ResNet殘差網(wǎng)絡(luò)用于手寫數(shù)字識別

①手寫數(shù)據(jù)集的準備

②ResNet模型的訓(xùn)練、測試和評估

③深度學(xué)習(xí)模型訓(xùn)練的超參數(shù)設(shè)置和調(diào)參

第三部分：深度學(xué)習(xí)在第一性原理計算中的應(yīng)用——神經(jīng)網(wǎng)絡(luò)勢函數(shù)（二）

1.課程內(nèi)容

(1)分子動力學(xué)模擬

①第一性原理分子動力學(xué)——從微觀到宏觀

②分子動力學(xué)的基本原理——牛頓運動方程

③牛頓運動方程的幾種數(shù)值求解方法

④統(tǒng)計力學(xué)系綜概念

⑤LAMMPS分子動力學(xué)軟件介紹

⑥神經(jīng)網(wǎng)絡(luò)勢函數(shù)和LAMMPS的結(jié)合——機器學(xué)習(xí)分子動力學(xué)模擬

(2)從描述符到圖表示：圖神經(jīng)網(wǎng)絡(luò)和MPNN消息傳遞神經(jīng)網(wǎng)絡(luò)

①具有不變性的消息傳遞神經(jīng)網(wǎng)絡(luò)

②晶體圖卷積神經(jīng)網(wǎng)絡(luò)CGCNN

③消息傳遞神經(jīng)網(wǎng)絡(luò)的一般框架和組成

(3)SchNet和DimeNet++等不變消息傳遞神經(jīng)網(wǎng)絡(luò)的介紹

①SchNet和DimeNet++的特點

②DimeNet++中角度信息的引入——球諧基函數(shù)

③深入理解消息傳遞過程——圖卷積

④圖卷積和圖像卷積的區(qū)別

2.上機實驗

(1)LAMMPS分子動力學(xué)軟件

①LAMMPS軟件的輸入設(shè)置

②LAMMPS腳本編寫的基本語法

③LAMMPS軟件任務(wù)運行與結(jié)果分析

(2)DeePMD深勢模型的安裝和使用

①DeePMD的離線安裝與測試

②DeePMD模型的訓(xùn)練和驗證

③使用DeePMD模型進行高效的分子動力學(xué)模擬

④數(shù)據(jù)的處理和分析

(3)GNN圖神經(jīng)網(wǎng)絡(luò)用于處理圖結(jié)構(gòu)數(shù)據(jù)——以SchNet為例

①晶體結(jié)構(gòu)的圖結(jié)構(gòu)抽象和數(shù)據(jù)表示

②圖神經(jīng)網(wǎng)絡(luò)的輸入、特征處理與輸出

③從預(yù)測能量到預(yù)測力——神經(jīng)網(wǎng)絡(luò)自動微分的妙用

第四部分：深度學(xué)習(xí)在第一性原理計算中的應(yīng)用——神經(jīng)網(wǎng)絡(luò)勢函數(shù)（三）

1.課程內(nèi)容

(1)從不變性到等變性——具有等變性的消息傳遞神經(jīng)網(wǎng)絡(luò)

①等變的概念

②等變性和不變性的區(qū)別

③理解等變性——群論的初步介紹

④等變消息傳遞神經(jīng)網(wǎng)絡(luò)和不變等變消息傳遞神經(jīng)網(wǎng)絡(luò)的對比

(2)常見的等變模型——PaiNN、NequIP和Allegro模型

①PaiNN——通過距離矩陣實現(xiàn)等變性

②NequIP和Allegro——通過不可約表示實現(xiàn)等變性

③易于大規(guī)模并行的等變模型——Allegro

2.上機實驗

(1)SchNet消息傳遞神經(jīng)網(wǎng)絡(luò)的安裝和使用

①Q(mào)M9數(shù)據(jù)集的準備

②使用QM9數(shù)據(jù)集訓(xùn)練SchNet模型

③模型對體系能量和原子受力預(yù)測精度的評估

④將SchNet模型用于分子動力學(xué)模擬

⑤原子對徑向分布函數(shù)等性質(zhì)的計算

(2)高精度、輕量化的PaiNN等變神經(jīng)網(wǎng)絡(luò)

①PaiNN模型代碼的詳解

②PaiNN模型的訓(xùn)練和使用

③SchNet和PaiNN模型的精度對比

④體會不變性和等變性消息傳遞神經(jīng)網(wǎng)絡(luò)的區(qū)別

(3)NequIP模型的安裝和使用，以及Nature Communications頂刊論文結(jié)果復(fù)現(xiàn)

①NequIP軟件包的安裝

②超參數(shù)的設(shè)置和介紹

③復(fù)現(xiàn)Nature Communications論文結(jié)果

第五部分：深度學(xué)習(xí)在第一性原理計算中的應(yīng)用——高階內(nèi)容

1.課程內(nèi)容

(1)在神經(jīng)網(wǎng)絡(luò)勢函數(shù)模型中加入長程相互作用

①長程相互作用介紹

②使用神經(jīng)網(wǎng)絡(luò)預(yù)測離子電荷

③基于離子電荷計算長程相互作用

(2)磁性材料的第一性原理計算和建模

①磁性材料的磁性自由度

②磁性材料的勢能面建模——從傳統(tǒng)哈密頓量模型到機器學(xué)習(xí)模型

③磁性機器學(xué)習(xí)勢能面建模的挑戰(zhàn)：數(shù)據(jù)集構(gòu)造和模型搭建

利用神經(jīng)網(wǎng)絡(luò)對密度泛函理論哈密頓量進行建模

①DeepH方法

②深度學(xué)習(xí)密度泛函微擾理論（DFPT）方法

(4)Attention is All You Need——Transformer模型

①Transformer原理講解

②Transformer架構(gòu)在AI模型中的應(yīng)用

(5)通用原子體系大模型——MACE框架

①原子簇展開（ACE）方法

②MACE架構(gòu)介紹和改進

③MACE：MPNN和ACE方法的結(jié)合

2.上機實驗

(1)Allegro模型的安裝和使用以及Nature Communications頂刊論文結(jié)果復(fù)現(xiàn)

①Allegro代碼框架詳解

②Allegro軟件的安裝和使用

③Allegro和LAMMPS分子動力學(xué)軟件結(jié)合使用

④Nature Communications論文結(jié)果復(fù)現(xiàn)

(2)聲子譜的計算

①使用Phonopy軟件計算固體材料的聲子譜

②使用深度學(xué)習(xí)勢函數(shù)加速聲子譜的計算

③比較模擬結(jié)果和第一性原理計算結(jié)果

(3)Transformer模型和實戰(zhàn)

①Transformer的Pytorch實現(xiàn)

②Transformer對序列化數(shù)據(jù)建模和預(yù)測

(4)MACE實戰(zhàn)

①MACE超參數(shù)的講解

②MACE-MP-0模型的加載和微調(diào)

MACE模型用于分子動力學(xué)模擬

講師簡介

主講老師來自國內(nèi)985重點高校，擁有兩年海外留學(xué)經(jīng)歷，計算物理和計算材料研究方向，參與多項國家自然科學(xué)基金面上項目。熟悉深度學(xué)習(xí)方法和第一性原理計算及相關(guān)軟件的使用，具有豐富的編程經(jīng)驗，對深度學(xué)習(xí)方法應(yīng)用于第一性原理計算有深入的研究和優(yōu)秀的成果，在Physical Review Letters、Physical Review B等PR系列期刊和Journal of Physical Chemistry C等期刊上發(fā)表數(shù)篇論文。

03機器學(xué)習(xí)輔助金屬有機框架（MOFs）智能設(shè)計

第一天：AI與MOF的基礎(chǔ)認知，開啟智能材料設(shè)計新紀元

第一天的課程以人工智能與材料科學(xué)的交匯為起點，聚焦AI for Science的革命性進展與MOF研究的歷史沿革。理論部分從2024年諾貝爾物理學(xué)獎引發(fā)的“AI科學(xué)時代”談起，系統(tǒng)介紹人工智能的基本原理、發(fā)展歷程與核心概念，闡述機器學(xué)習(xí)與深度學(xué)習(xí)的基本架構(gòu)、典型流程與應(yīng)用邏輯。隨后講解金屬有機框架（MOF）的基本結(jié)構(gòu)組成、發(fā)展歷史及在氣體儲存、催化、藥物遞送等領(lǐng)域的研究熱點，強調(diào)AI在加速MOF發(fā)現(xiàn)與性能預(yù)測中的關(guān)鍵作用。實操部分涵蓋Python與Linux環(huán)境配置、MOF數(shù)據(jù)庫（CSD、CoRE-MOF、QMOF）使用、結(jié)構(gòu)可視化與特征提�。╖eopp、Poreblazer、MOFid），幫助學(xué)員完成從“數(shù)據(jù)理解”到“初步分析”的過渡。

第一天：AI與 MOF 的基礎(chǔ)認知與科學(xué)范式理論部分

? 人工智能的科學(xué)革命：從符號主義到深度學(xué)習(xí)的演進路徑

? AI 基本理論框架：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)、生成模型的基本概念與應(yīng)用領(lǐng)域

? 機器學(xué)習(xí)典型流程：數(shù)據(jù)預(yù)處理 → 特征工程 → 模型訓(xùn)練 → 驗證與解釋

? 深度學(xué)習(xí)簡介：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、反向傳播算法、過擬合與泛化能力

? MOF 材料基礎(chǔ)知識：結(jié)構(gòu)組成（有機配體–金屬節(jié)點–拓撲網(wǎng)絡(luò)）

? MOF 的發(fā)展歷程與研究熱點：從 MOF-5、ZIF-8 到多功能雜化框架

? MOF 在能源、環(huán)境與醫(yī)藥領(lǐng)域的應(yīng)用：氣體儲存、CO? 捕集、污染物吸附、藥物緩釋、催化反應(yīng)

? AI 與 MOF 的融合趨勢：從實驗發(fā)現(xiàn)到智能預(yù)測與自主設(shè)計

實操部分

? Linux 與 Python 科學(xué)計算環(huán)境搭建（Anaconda / Mamba）

? MOF 結(jié)構(gòu)可視化與格式轉(zhuǎn)換（ASE、Avogadro）

? 數(shù)據(jù)集構(gòu)建：從 CoRE-MOF、CSD、QMOF 數(shù)據(jù)庫篩選與清洗

? 特征提�。篫eopp、Poreblazer、MOFid 工具的使用

? Python 實現(xiàn) MOF 比表面積、孔徑分布、能量參數(shù)計算

第二天：傳統(tǒng)機器學(xué)習(xí)方法在MOF性質(zhì)預(yù)測中的深入實踐

第二天聚焦傳統(tǒng)機器學(xué)習(xí)算法在MOF性質(zhì)預(yù)測中的理論與實操應(yīng)用。課程首先回顧機器學(xué)習(xí)在材料科學(xué)中的發(fā)展脈絡(luò)，介紹回歸、分類與聚類模型在MOF結(jié)構(gòu)–性能關(guān)系建模中的核心思想。理論部分系統(tǒng)講解線性回歸、支持向量機（SVM）、隨機森林（RF）、梯度提升（XGBoost、LightGBM）等算法的基本原理與適用場景，結(jié)合MOF比表面積、吸附能、能帶結(jié)構(gòu)等具體任務(wù)展示其建模流程與可解釋性分析方法。實操部分以CO?和CH?吸附預(yù)測為案例，帶領(lǐng)學(xué)員進行特征工程、模型訓(xùn)練、參數(shù)優(yōu)化與SHAP特征貢獻分析，掌握模型從構(gòu)建到評估的完整過程。

第二天：傳統(tǒng)機器學(xué)習(xí)方法在MOF性質(zhì)預(yù)測中的應(yīng)用理論部分

? 機器學(xué)習(xí)在材料科學(xué)中的應(yīng)用模式

? MOF 結(jié)構(gòu)–性質(zhì)關(guān)系的定量表征思路（QSAR/QSPR）

? 特征工程在 MOF 性質(zhì)預(yù)測中的作用

? 常用算法解析：線性回歸（LR）、SVM、隨機森林（RF）、XGBoost、LightGBM、CatBoost

? 模型評估指標（R2、RMSE、MAE）及交叉驗證方法

? 案例研究：CO? / CH? 吸附等溫線預(yù)測、MOF 比表面積與能帶結(jié)構(gòu)預(yù)測、SHAP 可解釋性分析

實操部分

? 構(gòu)建 MOF 性質(zhì)預(yù)測數(shù)據(jù)集（QMOF + CoRE-MOF）

? 使用 Python 實現(xiàn) XGBoost/RF/SVM 模型訓(xùn)練

? 參數(shù)優(yōu)化與特征選擇（GridSearchCV、SHAP、Boruta）

? 可視化模型性能（學(xué)習(xí)曲線、誤差散點圖）

? 結(jié)果解釋與物理關(guān)聯(lián)分析

第三天：圖神經(jīng)網(wǎng)絡(luò)（GNN）賦能MOF結(jié)構(gòu)–性能建模

第三天進入課程核心模塊，聚焦圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network, GNN）在MOF研究中的應(yīng)用。理論部分首先介紹GNN的數(shù)學(xué)基礎(chǔ)與消息傳遞機制（Message Passing），闡釋如何將MOF的晶體結(jié)構(gòu)轉(zhuǎn)化為原子–鍵圖表示，從而實現(xiàn)結(jié)構(gòu)信息的高效編碼。課程進一步講解主流模型如CGCNN、MEGNet、ALIGNN、CrystalNN及MatGL的網(wǎng)絡(luò)架構(gòu)、優(yōu)勢與局限，并結(jié)合Nature Communications等高被引研究案例展示GNN在MOF吸附能與能帶預(yù)測中的表現(xiàn)。實操部分帶領(lǐng)學(xué)員使用PyTorch Geometric / DGL框架構(gòu)建并訓(xùn)練GNN模型，掌握從數(shù)據(jù)預(yù)處理、圖結(jié)構(gòu)生成到模型訓(xùn)練與注意力可視化的完整流程，幫助學(xué)員實現(xiàn)從“描述符思維”向“結(jié)構(gòu)圖學(xué)習(xí)”的轉(zhuǎn)變。

第三天：圖神經(jīng)網(wǎng)絡(luò)（GNN）與 MOF 結(jié)構(gòu)–性能建模理論部分

? GNN 基礎(chǔ)：從分子圖到晶體圖表示

? 節(jié)點與邊特征的構(gòu)建方式：化學(xué)鍵、配位環(huán)境、拓撲連通性

? 消息傳遞機制（Message Passing）與圖卷積操作（Graph Convolution）

? 主流 GNN 模型：CGCNN、MEGNet、ALIGNN、CrystalNN、MatGL

? GNN 在 MOF 建模中的優(yōu)勢與挑戰(zhàn)

? 案例研究：基于 GNN 的 MOF 能帶與吸附能預(yù)測

實操部分

? 使用 PyTorch Geometric / DGL 框架構(gòu)建 GNN 模型

? 將 MOF 結(jié)構(gòu)轉(zhuǎn)換為圖表示（節(jié)點–邊矩陣）

? 訓(xùn)練 MEGNet 模型預(yù)測 CO? 吸附能

? 可視化注意力權(quán)重與結(jié)構(gòu)貢獻區(qū)域（Attention Heatmap）

? 模型對比實驗：GNN vs XGBoost vs RF

第四天：生成模型與逆向MOF設(shè)計的前沿探索

第四天課程聚焦生成式人工智能（Generative AI）在MOF設(shè)計中的應(yīng)用與創(chuàng)新。理論部分介紹變分自編碼器（VAE）、生成對抗網(wǎng)絡(luò)（GAN）和擴散模型（Diffusion Model）在材料設(shè)計中的基本原理與發(fā)展趨勢，闡述潛空間學(xué)習(xí)（Latent Space）與性能引導(dǎo)型生成（Property-guided Generation）的核心思想。重點講解MOF-VAE、MOF-Diffusion與MOFGen等代表性框架如何實現(xiàn)從性能目標到結(jié)構(gòu)反向生成，并討論貝葉斯優(yōu)化與強化學(xué)習(xí)在逆向設(shè)計中的融合策略。實操內(nèi)容包括基于VAE的MOF潛空間映射、性能導(dǎo)向生成模型訓(xùn)練、Diffusion模型微調(diào)與生成結(jié)構(gòu)的穩(wěn)定性驗證，幫助學(xué)員掌握“從屬性到結(jié)構(gòu)”的AI反向設(shè)計路徑。

第四天：生成模型與逆向MOF設(shè)計理論部分

? 生成式 AI 在材料科學(xué)中的崛起（VAE、GAN、Diffusion）

? 潛空間（Latent Space）學(xué)習(xí)與結(jié)構(gòu)生成機制

? MOF-VAE、MOF-Diffusion 與 MOFGen 框架介紹

? 性能引導(dǎo)型生成策略：從目標性質(zhì)出發(fā)的反向設(shè)計

? 貝葉斯優(yōu)化與強化學(xué)習(xí)在逆向設(shè)計中的結(jié)合

? 可合成性與穩(wěn)定性判定：synthetic accessibility 指標

? 案例研究：基于生成模型的 CO? 捕集 MOF 反向設(shè)計

實操部分

? 使用 MOF-VAE 實現(xiàn)結(jié)構(gòu)潛空間映射與生成

? 構(gòu)建目標導(dǎo)向生成模型（以甲烷吸附量為目標）

? 貝葉斯優(yōu)化算法調(diào)控生成方向

? Diffusion 模型訓(xùn)練與新結(jié)構(gòu)篩選

? 使用 DFT / GCMC 驗證生成結(jié)構(gòu)的能量與吸附性能

第五天：大語言模型（LLM）賦能MOF智能設(shè)計與自主發(fā)現(xiàn)

課程的最后一天聚焦大語言模型（Large Language Model, LLM）在MOF研究中的最新應(yīng)用與發(fā)展方向。理論部分首先回顧從ChatGPT到MatGPT、ChemLLM的演化歷程，系統(tǒng)闡述大模型在科學(xué)知識建模、文本生成與跨模態(tài)推理中的潛能。課程進一步講解LLM在MOF領(lǐng)域的三大應(yīng)用方向：文獻語義挖掘與自動摘要、語義驅(qū)動的結(jié)構(gòu)篩選與性質(zhì)預(yù)測、以及結(jié)合AutoML實現(xiàn)的自動化設(shè)計與分析。實操部分將帶領(lǐng)學(xué)員使用MatGPT與LangChain框架實現(xiàn)“文本→結(jié)構(gòu)→性能預(yù)測”的智能閉環(huán)，探索如何構(gòu)建自學(xué)習(xí)型MOF智能體，實現(xiàn)從知識理解到材料發(fā)現(xiàn)的自主創(chuàng)新過程，為AI賦能材料科學(xué)的未來奠定實踐基礎(chǔ)。

第五天：大語言模型（LLM）在 MOF 智能設(shè)計中的應(yīng)用理論部分

? 大語言模型的崛起與科學(xué)研究新范式（ChatGPT → MatGPT → ChemLLM）

? LLM 在材料科學(xué)中的認知與生成能力：文本到結(jié)構(gòu)、文本到實驗

? 材料知識圖譜與 LLM 的融合（MaterialsKG、MatGPT、MATTERverse）

? LLM 在 MOF 研究中的應(yīng)用：文獻挖掘、語義篩選、AutoML 自動化分析

? 未來展望：多模態(tài)智能體（Multi-agent）助力自主材料發(fā)現(xiàn)

實操部分

? 使用 MatGPT 或 ChemLLM 生成 MOF 結(jié)構(gòu)候選

? 文獻語料的自動標注與知識抽�。≒ython + LangChain）

? 實現(xiàn)“文本 → 結(jié)構(gòu) → 性質(zhì)預(yù)測”全流程

? 利用 LLM 結(jié)合 AutoML 實現(xiàn)自適應(yīng) MOF 篩選

? 構(gòu)建自學(xué)習(xí)型 MOF 智能體

講師簡介

主講老師來自國內(nèi)985.211雙一流高校！長期從事基于大數(shù)據(jù)和人工智能的環(huán)境毒理和智慧農(nóng)業(yè)研究，發(fā)表論文50余篇，其中SCI論文44篇；以第一或通訊作者身份在Chem. Rev. 、Nat. Commun.、Environ. Sci. Technol.、Anal. Chem.等期刊發(fā)表論文20篇；主持國家自然科學(xué)基金面上項目和青年基金等項目6項；申請中國發(fā)明專利13件，其中授權(quán)4件。

04AI賦能復(fù)合材料智能設(shè)計與多尺度仿真

第一天：卷積神經(jīng)網(wǎng)絡(luò)與有限元復(fù)合材料損傷預(yù)測

課程背景：本天課程從計算機視覺基礎(chǔ)理論出發(fā)，深入到復(fù)合材料損傷預(yù)測的應(yīng)用。

上午神經(jīng)網(wǎng)絡(luò)與CNN核心原理+簡單案例實現(xiàn)

1. 神經(jīng)網(wǎng)絡(luò)與CNN核心原理(實操+代碼)

(1) 感知機到卷積神經(jīng)網(wǎng)絡(luò)的演進路徑

(2) 卷積層數(shù)學(xué)原理：參數(shù)共享與特征提取機制

(3) 池化層與激活函數(shù)的作用機制

(4) 快速實操：手動實現(xiàn)簡單卷積運算

圖 CNN基礎(chǔ)架構(gòu)圖

2. 圖像分割網(wǎng)絡(luò)架構(gòu)基礎(chǔ) (實操+代碼)

(1) 從分類到分割：FCN網(wǎng)絡(luò)轉(zhuǎn)換原理

(2) 編碼器-解碼器架構(gòu)設(shè)計思想

(3) 轉(zhuǎn)置卷積與上采樣策略對比

(4) 代碼演示：構(gòu)建基礎(chǔ)FCN分割網(wǎng)絡(luò)

3. U-Net架構(gòu)深度解析

(1) U-Net核心架構(gòu)剖析 (實操+代碼+演示)

(2) U-Net對稱結(jié)構(gòu)設(shè)計理念與點

(3) 跳躍連接(Skip Connection)的關(guān)鍵作用

(4) 特征圖尺度變化與信息保持機制

核心實操：

完整U-Net網(wǎng)絡(luò)架構(gòu)構(gòu)建

關(guān)鍵層級特征圖變化分析

圖 U-Net完整架構(gòu)與信息流向圖

下午有限元與相場方法基礎(chǔ)及Crack-Net架構(gòu)核心技術(shù)

1. 有限元方法相場損傷理論基礎(chǔ) (實操)

(1) 損傷變量d的物理意義與數(shù)學(xué)描述

(2) 相場理論：從Cahn-Hilliard到裂紋演化

實操實現(xiàn)：相場裂紋演化

2. 復(fù)合材料建模與傳統(tǒng)方法

(1) 復(fù)合材料微觀結(jié)構(gòu)建模Abaqus中裂紋擴展模擬 (實操)

(2) 代表性體積元(RVE)設(shè)計與周期邊界條件

(3) 多相材料界面建模策略

3. Crack-Net架構(gòu)核心技術(shù)

(1) 從U-Net到Crack-Net的演進 (實操+代碼+演示)

(2) Crack-Net整體架構(gòu)設(shè)計理念分析

(3) 多任務(wù)學(xué)習(xí)：應(yīng)力預(yù)測+相場預(yù)測聯(lián)合訓(xùn)練

圖：Crack-Net 框架

第二天：差分深度學(xué)習(xí)復(fù)合材料應(yīng)力預(yù)測

課程背景：本天課程將從編碼器-解碼器基礎(chǔ)架構(gòu)出發(fā)，深入到差分神經(jīng)網(wǎng)絡(luò)(DiNN)在復(fù)合材料應(yīng)力預(yù)測中的前沿應(yīng)用。

上午編碼器-解碼器架構(gòu)基礎(chǔ)理論

1. CNN與編碼器-解碼器核心原理 (實操+代碼)

(1) 卷積神經(jīng)網(wǎng)絡(luò)特征提取機制與參數(shù)共享

(2) 編碼器-解碼器對稱架構(gòu)設(shè)計思想

(3) 特征降維與重構(gòu)的數(shù)學(xué)原理

(4) 快速實操：構(gòu)建基礎(chǔ)編碼器-解碼器網(wǎng)絡(luò)

圖 編碼器-解碼器基礎(chǔ)架構(gòu)圖

2. 圖像到圖像轉(zhuǎn)換網(wǎng)絡(luò)基礎(chǔ) (實操+代碼)

(1) 從分類任務(wù)到回歸預(yù)測的網(wǎng)絡(luò)適配

(2) 空間信息保持與特征圖尺度變換

(3) 跳躍連接在空間預(yù)測中的作用機制

(4) 代碼演示：實現(xiàn)簡單的圖像到圖像轉(zhuǎn)換網(wǎng)絡(luò)

3. 有限元應(yīng)力分析基礎(chǔ)理論 (實操+代碼)

(1) 線性彈性力學(xué)基本方程與邊界條件

(2) 網(wǎng)格劃分與應(yīng)力場數(shù)值求解原理

(3) von Mises應(yīng)力計算與物理意義

(4) 快速實操：簡單結(jié)構(gòu)的FEA應(yīng)力計算

4. 重心坐標插值與數(shù)據(jù)標準化 (實操+代碼+演示)

(1) 三角網(wǎng)格到規(guī)則網(wǎng)格的插值挑戰(zhàn)

(2) 重心坐標系統(tǒng)的數(shù)學(xué)原理與穩(wěn)定性優(yōu)勢

(3) 笛卡爾映射數(shù)據(jù)預(yù)處理策略

(4) 核心實操：重心坐標插值算法實現(xiàn)

下午差分神經(jīng)網(wǎng)絡(luò)(DiNN)核心技術(shù)

1. 從傳統(tǒng)方法到差分學(xué)習(xí)實操(實操+代碼+演示)

(1) 傳統(tǒng)端到端預(yù)測的局限性分析

(2) 差分學(xué)習(xí)思想：參考模型與差分訓(xùn)練策略

(3) DiNN三模塊架構(gòu)：樣本處理+編碼解碼+應(yīng)力預(yù)測

圖 DiNN完整架構(gòu)與點圖

2. SE注意力機制與ResNet融合技術(shù) (實操+代碼)

(1) Squeeze-and-Excitation塊的通道注意力機制

(2) Conv-SE與ResNet-SE塊的協(xié)同工作原理

(3) 特征重標定與高級特征提取策略

3. 復(fù)合材料應(yīng)力預(yù)測完整流程 (實操+代碼+演示)

(1) 典型復(fù)合材料模型的應(yīng)力預(yù)測實現(xiàn)

(2) 體積分數(shù)隨機性vs空間隨機性的處理策略

(3) 應(yīng)力集中區(qū)域的精確預(yù)測技術(shù)

(4) 工程案例：

纖維增強復(fù)合材料應(yīng)力場預(yù)測

顆粒增強復(fù)合材料的完整建模流程

圖 不同復(fù)合材料的應(yīng)力預(yù)測結(jié)果對比

第三天 復(fù)合材料應(yīng)力場預(yù)測

課程背景

本天課程將從卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)出發(fā)，深入到U-Net架構(gòu)在纖維增強復(fù)合材料應(yīng)力場預(yù)測中的應(yīng)用。

上午卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論深化

1. 卷積神經(jīng)網(wǎng)絡(luò)高級特征提取機制 (實操+代碼)

1.1 卷積核設(shè)計原理：3×3卷積的參數(shù)效率與感受野分析

1.2 特征圖降維與信息保持的數(shù)學(xué)平衡機制

1.3 批量歸一化在訓(xùn)練穩(wěn)定性中的關(guān)鍵作用

1.4 快速實操：構(gòu)建多層CNN進行復(fù)雜模式識別

圖 多層CNN特征提取機制圖

2 U-Net編碼器-解碼器架構(gòu)核心機制 (實操+代碼+演示)

2.1 編碼器路徑：逐層特征抽象與空間信息壓縮

2.2 解碼器路徑：特征重建與空間分辨率恢復(fù)機制

2.3 跳躍連接的數(shù)學(xué)原理：高層語義與低層細節(jié)的融合

不同尺度特征圖的concat操作與信息傳遞

詳細實操：

完整U-Net網(wǎng)絡(luò)的分層構(gòu)建與參數(shù)分析

跳躍連接對預(yù)測精度影響的實驗驗證

圖 U-Net詳細架構(gòu)與跳躍連接機制圖

下午有限元基礎(chǔ)與復(fù)合材料應(yīng)力分析

1. 應(yīng)力云圖的后處理與數(shù)據(jù)提取方法

2 數(shù)據(jù)預(yù)處理與圖像標準化 (實操+代碼)

2.1 二值化微觀結(jié)構(gòu)圖像的生成與處理

2.2 應(yīng)力場數(shù)據(jù)的歸一化與標準化策略

2.3 圖像翻轉(zhuǎn)數(shù)據(jù)增強的物理合理性分析

3 微觀結(jié)構(gòu)到應(yīng)力場的深度映射 (實操+代碼+演示)

3.1二值化纖維分布圖像作為網(wǎng)絡(luò)輸入的編碼策略

3.2連續(xù)應(yīng)力場作為網(wǎng)絡(luò)輸出的解碼機制

圖 微觀結(jié)構(gòu)-應(yīng)力場映射網(wǎng)絡(luò)架構(gòu)圖

第四天 生成對抗網(wǎng)絡(luò)復(fù)合材料場預(yù)測

課程背景：本天課程將從生成對抗網(wǎng)絡(luò)基礎(chǔ)出發(fā)，深入到幾何-場映射在復(fù)合材料設(shè)計中的前沿應(yīng)用。

上午生成對抗網(wǎng)絡(luò)基礎(chǔ)理論

1. 生成對抗網(wǎng)絡(luò)(GAN)核心原理 (實操+代碼)

(1) 博弈論框架：生成器與判別器的對抗訓(xùn)練機制

(2) Nash均衡在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的數(shù)學(xué)表示

(3) 條件生成對抗網(wǎng)絡(luò)(cGAN)的約束機制

(4) 快速實操：構(gòu)建基礎(chǔ)GAN進行圖像生成

圖 GAN基礎(chǔ)架構(gòu)與博弈論框架圖

l U-Net與PatchGAN架構(gòu)深度解析 (實操+代碼)

U-Net編碼器-解碼器對稱結(jié)構(gòu)設(shè)計理念

跳躍連接在空間信息保持中的關(guān)鍵作用

PatchGAN局部判別策略vs全局判別的優(yōu)勢

代碼演示：U-Net在圖像分割中的應(yīng)用實現(xiàn)

2. 有限元應(yīng)力場計算基礎(chǔ) (實操+代碼)

(1) 連續(xù)介質(zhì)力學(xué)基本方程與本構(gòu)關(guān)系

(2) 壓縮載荷下的邊界條件設(shè)置與求解策略

(3) von Mises應(yīng)力場的物理意義與計算方法

(4) 快速實操：Abaqus中復(fù)合材料應(yīng)力場計算

3. 復(fù)合材料微觀結(jié)構(gòu)建模 (實操+代碼+演示)

(1) 雙相材料的力學(xué)參數(shù)對比

(2) 載荷-卸載循環(huán)的殘余應(yīng)力分析

核心實操:材料參數(shù)對應(yīng)力場分布的影響分析

圖 復(fù)合材料微觀結(jié)構(gòu)

下午幾何-場映射核心技術(shù)

1. 從傳統(tǒng)仿真到智能預(yù)測的進階 (實操+代碼+演示)

(1) 圖像到圖像轉(zhuǎn)換的深度學(xué)習(xí)范式

(2) 幾何約束作為條件輸入的網(wǎng)絡(luò)設(shè)計

(3) 物理場信息的完整性保持策略

圖 復(fù)合材料幾何GAN框架

第五天：多尺度復(fù)合材料性能預(yù)測與智能材料設(shè)計

課程背景： 融合多尺度仿真技術(shù)與深度學(xué)習(xí)方法，本課程將從復(fù)合材料代表性體積元(RVE)基礎(chǔ)出發(fā)，深入到神經(jīng)網(wǎng)絡(luò)驅(qū)動的復(fù)合材料性能預(yù)測、損傷演化分析與智能材料設(shè)計的前沿應(yīng)用。

上午復(fù)合材料多尺度性能預(yù)測理論

1. 復(fù)合材料多尺度性能關(guān)聯(lián)機制 (實操+代碼)

(1) 纖維-基體-界面三相復(fù)合材料微觀結(jié)構(gòu)表征

(2) 復(fù)合材料RVE設(shè)計原則：纖維體積分數(shù)、分布模式、界面性質(zhì)

(3) 均勻化理論在復(fù)合材料等效性能預(yù)測中的應(yīng)用

(4) 快速實操：典型復(fù)合材料RVE的參數(shù)化建模與性能預(yù)測

2. 復(fù)合材料損傷機制與FE2耦合分析 (實操+代碼)

(1) 復(fù)合材料典型失效模式：纖維斷裂、基體開裂、界面脫粘

(2) 宏觀加載下微觀損傷演化的多尺度映射關(guān)系

(3) 漸進損傷分析與最終失效強度預(yù)測

(4) 代碼演示：復(fù)合材料損傷演化的FE2方法實現(xiàn)

圖 復(fù)合材料多尺度損傷演化機制圖

下午復(fù)合材料智能設(shè)計與性能優(yōu)化

3. 復(fù)合材料UMAT智能本構(gòu)模型開發(fā) (實操+代碼+演示)

(1) 復(fù)合材料各向異性彈性本構(gòu)的UMAT實現(xiàn)

(2) 損傷演化方程與神經(jīng)網(wǎng)絡(luò)代理模型集成

(3) 復(fù)合材料非線性本構(gòu)關(guān)系的AI加速求解

(4) 核心實操：復(fù)合材料智能UMAT子程序編寫與驗證

4. 神經(jīng)網(wǎng)絡(luò)驅(qū)動的復(fù)合材料性能預(yù)測系統(tǒng) (實操+代碼+演示)

(1) 復(fù)合材料微觀結(jié)構(gòu)圖像到宏觀性能的端到端預(yù)測

(2) 纖維取向、體積分數(shù)對復(fù)合材料強度/剛度的影響預(yù)測

(3) 復(fù)合材料疲勞壽命與損傷容限的智能評估

(4) 詳細分析：

訓(xùn)練數(shù)據(jù)生成：不同復(fù)合材料體系的性能數(shù)據(jù)采集

多任務(wù)學(xué)習(xí)：同時預(yù)測彈性模量、強度、韌性等多個性能指標

圖 復(fù)合材料性能預(yù)測神經(jīng)網(wǎng)絡(luò)架構(gòu)圖

講師簡介

主講老師來自國內(nèi)985高校！主要研究方向為纖維增強復(fù)合材料、金屬-復(fù)合材料混合材料界面性能、多尺度多置信度預(yù)測模型、結(jié)構(gòu)可靠性分析等！熟練使用 ABAQUS 靜力分析、動態(tài)分析、裂紋擴展分析和多尺度界面分析、Fortran二次開發(fā)等，已發(fā)表數(shù)篇深度學(xué)習(xí)與有限元仿真頂刊！有豐富的算法與有限元仿真結(jié)合經(jīng)驗！

05人工智能材料疲勞分析與斷裂力學(xué)

第一天：機器學(xué)習(xí)基礎(chǔ)與疲勞斷裂力學(xué)應(yīng)用

1.1 機器學(xué)習(xí)概述

1.1.1 常見機器學(xué)習(xí)方法

·人工神經(jīng)網(wǎng)絡(luò)(ANN)

·支持向量回歸(SVR)

·隨機森林(RF)

·高斯過程回歸(GPR)

1.1.2 工程材料科學(xué)應(yīng)用前景

·材料性能預(yù)測典型場景

·跨尺度建模中的算法選擇

1.2 神經(jīng)網(wǎng)絡(luò)核心技術(shù)

1.2.1 基礎(chǔ)架構(gòu)解析

·神經(jīng)元數(shù)學(xué)模型與激活函數(shù)對比

·前饋網(wǎng)絡(luò)信息傳遞機制

1.2.2 典型模型分類

·全連接網(wǎng)絡(luò)(ANN)的局限性

·卷積網(wǎng)絡(luò)(CNN)空間特征提取

·遞歸網(wǎng)絡(luò)(RNN)時序數(shù)據(jù)處理

1.3 疲勞斷裂分析智能化

1.3.1 關(guān)鍵影響因素體系

·應(yīng)力幅值/平均應(yīng)力效應(yīng)

·表面狀態(tài)/環(huán)境介質(zhì)作用

1.3.2 壽命預(yù)測模型演進

·物理驅(qū)動模型：Paris定律擴展

·數(shù)據(jù)驅(qū)動模型：裂紋擴展速率預(yù)測

1.4 718合金疲勞預(yù)測實戰(zhàn)

1.4.1 數(shù)據(jù)工程構(gòu)建

·多源實驗數(shù)據(jù)融合方法

·特征工程與標準化處理

1.4.2 模型訓(xùn)練與驗證

·ANN/SVR/GPR/RF并行實現(xiàn)

·交叉驗證與超參數(shù)優(yōu)化

第二天機器學(xué)習(xí)驅(qū)動的疲勞裂紋多尺度分析與壽命預(yù)測

2.1裂紋多尺度分析技術(shù)?

2.1.1跨尺度關(guān)聯(lián)方法

·微觀位錯演化至宏觀裂紋擴展的跨尺度建模

·晶界效應(yīng)與裂紋偏轉(zhuǎn)的機器學(xué)習(xí)表征

2.1.2損傷力學(xué)基礎(chǔ)

·裂紋萌生與短裂紋擴展的損傷閾值判定

?2.2智能壽命預(yù)測前沿技術(shù)?

2.2.1超聲-Bayes融合方法

·超聲信號特征提取與損傷指標構(gòu)建

·貝葉斯概率框架下的實時壽命更新策略

2.2.2多尺度數(shù)據(jù)驅(qū)動框架

·晶體塑性模型與ANN模型

·微結(jié)構(gòu)-壽命關(guān)聯(lián)的貝葉斯網(wǎng)絡(luò)架構(gòu)

?2.3奧氏體不銹鋼低周疲勞實戰(zhàn)?

2.3.1數(shù)據(jù)工程體系

·多源異構(gòu)數(shù)據(jù)融合

·材料特征編碼

2.3.2混合機器學(xué)習(xí)建模

·CART決策樹的關(guān)鍵特征篩選邏輯

·XGBoost-ANN集成模型架構(gòu)

2.3.3 工業(yè)驗證方案

·特征重要性排序的可視化呈現(xiàn)

預(yù)測誤差的微觀機理溯源

第三天機器學(xué)習(xí)賦能的金屬斷裂表面智能分析?

3.1 金屬斷裂理論體系?

3.1.1 斷裂力學(xué)基礎(chǔ)框架

·線彈性/彈塑性斷裂力學(xué)理論邊界

·應(yīng)力強度因子K與J應(yīng)用場景

3.1.2 裂紋擴展準則

·Paris定律的疲勞裂紋擴展模型

·基于能量法的R曲線評估體系

3.1.3 損傷演化理論

·細觀損傷力學(xué)的裂紋萌生閾值

·孔洞聚合模型的數(shù)值實現(xiàn)路徑

?3.2. 智能分析技術(shù)前沿?

3.2.1 機器學(xué)習(xí)模型架構(gòu)

·物理信息神經(jīng)網(wǎng)絡(luò)(PINN)的斷裂準則嵌入

·圖神經(jīng)網(wǎng)絡(luò)(GNN)的晶界裂紋預(yù)測

3.2.2 混合建模策略

·有限元-深度學(xué)習(xí)耦合仿真流程

·多尺度損傷演化的遷移學(xué)習(xí)框架

?3.3 斷裂表面定量分析實戰(zhàn)?

3.3.1 斷裂形貌智能分類

·CNN特征提取網(wǎng)絡(luò)設(shè)計

·沿晶/準解理/韌窩的微結(jié)構(gòu)特征庫構(gòu)建

3.3.2 力學(xué)性能預(yù)測

·斷裂韌性的回歸預(yù)測模型

·斷面收縮率的貝葉斯優(yōu)化方法

3.3.3 工業(yè)驗證方案

·預(yù)測結(jié)果的可視化誤差分析

第四天腐蝕疲勞與復(fù)合材料壽命預(yù)測

4.1 腐蝕疲勞機理與智能識別?

4.1.1 腐蝕-疲勞耦合機制

·電化學(xué)腐蝕加速裂紋萌生的相場模擬

·應(yīng)力腐蝕開裂(SCC)的跨尺度表征

4.1.2 焊件缺陷智能檢測

·基于ResNet50的腐蝕疲勞裂紋分類

·聲發(fā)射信號與X射線數(shù)據(jù)的多模態(tài)融合

?4.2 復(fù)合材料損傷理論

4.2.1 微觀損傷演化

·纖維斷裂/基體開裂/界面脫層的競爭機制

·損傷熱力學(xué)與熵產(chǎn)率關(guān)聯(lián)模型

4.2.2 多尺度分析方法

·跨尺度損傷傳遞的圖神經(jīng)網(wǎng)絡(luò)構(gòu)建

?4.3 智能預(yù)測系統(tǒng)?

4.3.1 物理引導(dǎo)的深度學(xué)習(xí)框架

·裂紋擴展路徑預(yù)測的機器學(xué)習(xí)架構(gòu)

·本構(gòu)約束的損失函數(shù)設(shè)計

4.3.2 多模態(tài)數(shù)據(jù)工程

μCT掃描數(shù)據(jù)的語義分割處理

第五天極端環(huán)境下的金屬疲勞智能預(yù)測體系

5.1 極端工況損傷機理

5.1.1 高溫疲勞-蠕變耦合效應(yīng)

·位錯攀移主導(dǎo)的蠕變損傷演化

·氧化加速裂紋擴展的跨尺度模型

5.1.2 物理信息神經(jīng)網(wǎng)絡(luò)架構(gòu)

·蠕變-疲勞交互作用的損失函數(shù)設(shè)計

5.2 數(shù)據(jù)增強工程

5.2.1 小樣本擴充技術(shù)

·基于Wasserstein GAN的微觀結(jié)構(gòu)生成

·高斯混合模型的工況參數(shù)插值

5.2.2 多尺度數(shù)據(jù)融合

·晶界滑移特征的最近鄰插值優(yōu)化

5.3 多尺度模擬前沿

5.3.1 損傷分析方法革新

·相場-晶體塑性耦合模型

5.3.2 工業(yè)驗證案例

·鎳基合金的蠕變疲勞預(yù)測

·誤差補償?shù)倪w移學(xué)習(xí)策略

講師簡介

主講老師擁有海外頂尖高校機械工程博士學(xué)位和材料工程與應(yīng)用數(shù)據(jù)科學(xué)雙碩士學(xué)位，專注于機器學(xué)習(xí)在先進制造技術(shù)尤其是金屬增材制造中的應(yīng)用研究，熟悉增材制造實驗，微觀組織結(jié)構(gòu)表征，計算機仿真模擬與機器學(xué)習(xí)技術(shù)，具有豐富的編程經(jīng)驗，并在計算材料學(xué)等頂級期刊發(fā)表多篇高影響力論文并獲得國際專利授權(quán)，是多個材料學(xué)一區(qū)期刊的審稿人，授課方式注重實踐，并能將復(fù)雜的理論知識和計算方法講解得清晰易懂.

06機器學(xué)習(xí)與催化劑設(shè)計

第一天上午

理論內(nèi)容（約1小時）：

1.機器學(xué)習(xí)在材料領(lǐng)域的前沿應(yīng)用

2.機器學(xué)習(xí)催化劑設(shè)計的常用方法

3.機器學(xué)習(xí)輔助催化劑設(shè)計詳細應(yīng)用

實操內(nèi)容 （約1.5小時）

1.Python基礎(chǔ)：字符串，列表，字典，變量，if語句，循環(huán)，函數(shù)

2.Python科學(xué)數(shù)據(jù)處理：NumPy，Pandas，seaborn，Matplotlib，Scipy

案例：在AI For Science深刻重塑科研與產(chǎn)業(yè)運作邏輯的當(dāng)下，機器學(xué)習(xí)已成為打破傳統(tǒng)研究邊界、催生創(chuàng)新解決方案的核心工具。本課程聚焦于幫助學(xué)員突破Python基礎(chǔ)應(yīng)用的瓶頸，構(gòu)建貼合科研數(shù)據(jù)建模與程序開發(fā)需求的核心編程能力，同時指導(dǎo)學(xué)員快速搭建穩(wěn)定高效的開發(fā)與分析環(huán)境，為后續(xù)開展AI驅(qū)動的科學(xué)計算、數(shù)據(jù)挖掘與算法實現(xiàn)夯實基礎(chǔ)，助力學(xué)員真正躋身AI賦能科學(xué)創(chuàng)新的新陣營。

第一天下午

理論內(nèi)容（約1小時）：

1.sklearn基礎(chǔ)介紹

2.十大機器學(xué)習(xí)算法理論框架

3.線性回歸原理和正則化

4.機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)

5.機器學(xué)習(xí)中的回歸、分類任務(wù)

實操內(nèi)容（約2小時）

1. 線性回歸方法的實現(xiàn)與初步應(yīng)用

2. L1和L2正則項的實現(xiàn)方式

3. 嶺回歸和Lasso回歸的示例操作

4. 線性回歸用于單原子合金篩選

案例：氧還原（ORR）反應(yīng)和析氧（OER）反應(yīng)是清潔能源轉(zhuǎn)化的關(guān)鍵反應(yīng)，其反應(yīng)動力學(xué)復(fù)雜，陰極的氧還原反應(yīng)和析氧（OER）反應(yīng)是實現(xiàn)清潔能源轉(zhuǎn)化的關(guān)鍵反應(yīng)。近年來，雙金屬中心催化劑（DMSCs）因其原子利用率高、穩(wěn)定性強、催化性能好等優(yōu)點受到了廣泛的關(guān)注和研究。本研究目的是采用密度泛函理論（DFT）和機器學(xué)習(xí)（ML）相結(jié)合的方法，研究了吸附物在數(shù)百種潛在催化劑上的吸附自由能，旨在指導(dǎo)學(xué)院篩選出對ORR和OER具有高活性的催化劑。

第二天上午

理論內(nèi)容（約1小時）：

1. 邏輯回歸（LR）與交叉熵損失的內(nèi)在聯(lián)系

2. K近鄰方法（KNN）原理

3. 神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)詳解

4. 支持向量機（SVM）中軟間隔和硬間隔的區(qū)別

實操內(nèi)容（約1.5小時）

1.邏輯回歸用于分類任務(wù)

2.KNN方法用于回歸任務(wù)的實現(xiàn)

3.支持向量機用于回歸和分類任務(wù)

4.神經(jīng)網(wǎng)絡(luò)方法用于CO2還原電催化劑的發(fā)現(xiàn)

案例：銅基合金催化劑在二氧化碳還原反應(yīng)（CO2RR）領(lǐng)域得到了廣泛應(yīng)用，這是因為其具有良好的選擇性和較低的過電位。本課程目的是指導(dǎo)學(xué)員設(shè)計機器學(xué)習(xí)模型。通過實施嚴格的特征選擇過程，并通過ML模型能夠成功且快速地預(yù)測 CO2RR 過程中關(guān)鍵中間體的吸附能，用于篩選出用于 CO2RR 的極具前景的二元合金。

第二天下午

項目實操(約-3.5小時)：

1.機器學(xué)習(xí)方法設(shè)計高性能鋰硫電池電催化劑

2.機器學(xué)習(xí)數(shù)據(jù)集來源

3.機器學(xué)習(xí)中數(shù)據(jù)分析及數(shù)據(jù)清洗

4.機器學(xué)習(xí)中特征工程實現(xiàn)方式有那些

5.sklearn實現(xiàn)網(wǎng)格搜索和隨機搜索

6.機器學(xué)習(xí)中交叉驗證的基本原理和實現(xiàn)方式

案例：在鋰硫電池電催化劑的研發(fā)進程中，高效性能的突破始終依賴于對催化劑材料特性的精準調(diào)控--而單原子催化劑所具備的靈活組成、可調(diào)結(jié)構(gòu)及可修飾吸附位點，恰好為滿足鋰硫電池的催化需求提供了關(guān)鍵支撐。本課程的核心目標，便是指導(dǎo)學(xué)員運用機器學(xué)習(xí)這一高效工具，構(gòu)建起單原子催化劑的材料特性與鋰硫電池催化活性之間的定量關(guān)聯(lián)模型，進而縮短鋰硫電池電催化劑的研發(fā)周期，推動其性能優(yōu)化與實際應(yīng)用進程。

第三天上午

理論內(nèi)容（約1小時）：

1．決策樹

1.1決策樹的原理

1.2決策樹的分類決策方式

2．集成學(xué)習(xí)方法

2.1集成學(xué)習(xí)基本原理

2.2 bagging基本原理

2.3隨機森林方法

2.4 Boosting方法的基本原理及多種模型區(qū)別

實操內(nèi)容（約1.5小時）

1.決策樹的模型實現(xiàn)及決策過程可視化

2.隨機森林的實現(xiàn)和應(yīng)用

3.Xgboost、LightGBM的實現(xiàn)及網(wǎng)格搜索最優(yōu)參數(shù)

案例：集成學(xué)習(xí)通過多層模型的組合與融合，在提升模型性能上有顯著優(yōu)勢。在數(shù)據(jù)挖掘中，面對海量且復(fù)雜的數(shù)據(jù)，單一模型往往難以全面捕捉數(shù)據(jù)特征；而集成學(xué)習(xí)能結(jié)合弱學(xué)習(xí)器的性能，先讓各基礎(chǔ)模型從不同角度挖掘數(shù)據(jù)，再通過加權(quán)等方式融合結(jié)果，從而更全面地剖析機器學(xué)習(xí)的結(jié)果。本課程旨在指導(dǎo)學(xué)員利用集成學(xué)習(xí)的強大優(yōu)勢，更高效快速的建立機器學(xué)習(xí)模型，以加速催化劑的發(fā)現(xiàn)。

第三天下午

項目實操（約2.5-3小時）

1.機器學(xué)習(xí)用于發(fā)現(xiàn)CO2RR催化劑

2.樹模型中的特征重要性分析

SHAP可解釋性分析在模型中的可解釋性

案例：近年來，結(jié)合高通量策略與機器學(xué)習(xí)的技術(shù)路徑，已成為加速潛在高性能催化劑發(fā)現(xiàn)的核心方向，受到領(lǐng)域內(nèi)廣泛關(guān)注。機器學(xué)習(xí)結(jié)合高通量方法對大量候選體系進行快速篩選，從而精準定位高效二氧化碳還原催化劑。此外，通過SHAP可解釋性分析，還能深度挖掘影響二氧化碳還原催化劑活性、選擇性與穩(wěn)定性的關(guān)鍵制備條件，為實驗制備提供明確指導(dǎo)，大幅提升高效二氧化碳還原催化劑的研發(fā)效率。

第四天上午

理論內(nèi)容（約1小時）：

無監(jiān)督學(xué)習(xí)基礎(chǔ)

1.1 無監(jiān)督學(xué)習(xí)適用場景

1.2 無監(jiān)督學(xué)習(xí)核心算法--聚類：原理、典型方法與應(yīng)用場景

1.3 無監(jiān)督學(xué)習(xí)核心算法--降維：目標、常用技術(shù)與適用場景

材料與化學(xué)數(shù)據(jù)的特征工程技術(shù)

2.1 分子指紋：結(jié)構(gòu)表示的構(gòu)建方法

2.2 One-Hot 編碼：在材料/化學(xué)數(shù)據(jù)中的實現(xiàn)步驟

2.3 matminer 工具：材料特征編碼的優(yōu)勢、核心功能與完整構(gòu)建流程

實操訓(xùn)練（約 1.5 小時）

3.1鳶尾花數(shù)據(jù)集：聚類模型搭建與結(jié)果分析

3.2 K-Means 聚類：算法實現(xiàn)調(diào)優(yōu)與結(jié)果評估

3.3 T-SNE 降維：高維特征向量映射與降維后可視化分析

3.4 PCA 特征工程實戰(zhàn)：特征降維處理、二維映射繪制

3.5 層次聚類實戰(zhàn)：聚類樹構(gòu)建、最佳聚類數(shù)確定與應(yīng)用

案例：無監(jiān)督學(xué)習(xí)旨在從無標簽數(shù)據(jù)中挖掘模式與結(jié)構(gòu)，t-SNE作為其中重要的降維工具，專注于保留高維數(shù)據(jù)點間的局部結(jié)構(gòu)。本課程將深入解析t-SNE的核心原理--通過概率分布衡量數(shù)據(jù)點間的相似性，借助優(yōu)化KL散度實現(xiàn)降維，展現(xiàn)其在高維數(shù)據(jù)可視化中的強大作用，并通過代碼實操涵蓋數(shù)據(jù)加載、參數(shù)調(diào)優(yōu)、降維及可視化等環(huán)節(jié)，幫助學(xué)員熟練掌握t-SNE在不同場景下的應(yīng)用，從而更好地探索數(shù)據(jù)的潛在結(jié)構(gòu)與模式。

第四天下午

項目實操（約2.5-3小時）

理論模塊（約 1 小時）：深度學(xué)習(xí)與材料研發(fā)的核心關(guān)聯(lián)

1.深度學(xué)習(xí)基礎(chǔ)與技術(shù)核心：從數(shù)據(jù)驅(qū)動角度，解析神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)、梯度下降、反向傳播等訓(xùn)練原理，點明其適配材料復(fù)雜數(shù)據(jù)的優(yōu)勢

2.深度學(xué)習(xí)在材料領(lǐng)域的應(yīng)用：聚焦 HER 電催化材料，簡述其在材料結(jié)構(gòu)預(yù)測、催化活性回歸、失效分析等場景的應(yīng)用，對比傳統(tǒng)實驗的效率優(yōu)勢

3.材料適配的深度學(xué)習(xí)框架：針對材料數(shù)據(jù)類型，講解 CNN、RNN/LSTM、Transformer的核心架構(gòu)與應(yīng)用邏輯

實操模塊（約 2.5 小時）：HER 電催化劑的深度學(xué)習(xí)研發(fā)實踐

1. PyTorch 工具鏈實操：完成環(huán)境配置、材料數(shù)據(jù)預(yù)處理

2. pymatgen 開放接口：調(diào)用Materials Project數(shù)據(jù)庫獲取 HER 電催化劑數(shù)據(jù)，完成清洗、格式轉(zhuǎn)換

3. matminer 特征工程：用其生成催化劑結(jié)構(gòu)化特征，訓(xùn)練機器學(xué)習(xí)模型

4. 深度學(xué)習(xí)模型開發(fā)：搭建 CNN、LSTM模型，調(diào)優(yōu)后預(yù)測 HER 催化活性，篩選高活性催化劑

案例：近年來，高通量與機器學(xué)習(xí)相結(jié)合的策略在加速潛在新材料發(fā)現(xiàn)方面受到廣泛關(guān)注。為此，可設(shè)計一種直觀方法：檢索Materials Project數(shù)據(jù)庫并結(jié)合深度學(xué)習(xí)模型，再將其與HT方法耦合，以篩選高效的HER催化劑。

第五天上午

理論內(nèi)容(約1小時)：

1.圖深度學(xué)習(xí)理論基礎(chǔ)

2.圖深度學(xué)習(xí)應(yīng)用實例及知識圖譜分析

3.知識圖譜與機器學(xué)習(xí)的聯(lián)系

實操內(nèi)容（約1.5小時）

1. 圖結(jié)構(gòu)構(gòu)建及可視化

2. PyTorch Geometric基礎(chǔ)介紹

案例：近年來，在晶體性能預(yù)測領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）模型取得了顯著進展。GNN模型能夠有效從晶體結(jié)構(gòu)中捕捉高維晶體特征，從而實現(xiàn)優(yōu)異的性能預(yù)測效果。同時本課程將指導(dǎo)學(xué)員搭建圖深度學(xué)習(xí)開發(fā)環(huán)境，助力其順利構(gòu)建圖結(jié)構(gòu)并開展機器學(xué)習(xí)訓(xùn)練。

第五天下午

項目實操（約3小時）

1.圖神經(jīng)網(wǎng)絡(luò)模型基本概述及CGCNN代碼深度解讀應(yīng)用

2.Neo4j構(gòu)建二氧化碳還原圖反應(yīng)網(wǎng)絡(luò)

3.知識圖譜構(gòu)建、�；鶊D和弦圖分析

4.圖神經(jīng)網(wǎng)絡(luò)編碼后結(jié)構(gòu)的T-SNE二維可視化

案例：本課程指導(dǎo)學(xué)生設(shè)計完成知識圖譜的構(gòu)建，挖掘其隱性關(guān)聯(lián)信息，建立知識圖譜的推理能力；指導(dǎo)學(xué)員構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，用于催化材料的高通量篩選，為AI加速材料設(shè)計提供新的思路。

講師簡介

周老師來自全國重點大學(xué)、國家“985工程”、“211工程”重點高校，長期致力于機器學(xué)習(xí)在催化劑設(shè)計中的創(chuàng)新應(yīng)用，尤其在深度學(xué)習(xí)、圖深度學(xué)習(xí)等前沿技術(shù)的催化材料探索中積累了豐富經(jīng)驗。主講老師在該領(lǐng)域累計發(fā)表高水平論文70余篇。授課風(fēng)格清晰生動，善于將抽象的理論與復(fù)雜的計算方法轉(zhuǎn)化為易于理解的知識點，幫助學(xué)員輕松把握核心內(nèi)容。

07機器學(xué)習(xí)合金設(shè)計

第一天：機器學(xué)習(xí)在合金設(shè)計領(lǐng)域的應(yīng)用及其發(fā)展現(xiàn)狀

1.基礎(chǔ)導(dǎo)論：機器學(xué)習(xí)的基本概念，課程目標，合金設(shè)計的挑戰(zhàn)與機器學(xué)習(xí)的解決路徑

核心應(yīng)用場景：預(yù)測材料性能，合金成分優(yōu)化設(shè)計，顯微組織預(yù)測，數(shù)據(jù)挖掘等

2.數(shù)據(jù)來源與數(shù)據(jù)格式： 數(shù)據(jù)庫和文獻公開數(shù)據(jù)集

3.數(shù)據(jù)的特征工程

數(shù)據(jù)清洗與數(shù)據(jù)處理 （異常值處理，歸一化與標準化處理）

4.典型機器學(xué)習(xí)算法介紹

監(jiān)督學(xué)習(xí)： 典型回歸與分類算法原理 （包括支持向量機，高斯過程回歸，決策樹，隨機森林，人工神經(jīng)網(wǎng)絡(luò)等算法）

非監(jiān)督學(xué)習(xí)：聚類等算法介紹

5． 合金機器學(xué)習(xí)的挑戰(zhàn)與前沿趨勢

第二天：合金的成分-性能機器學(xué)習(xí)經(jīng)典模型實戰(zhàn)

1．利用幾種典型的機器學(xué)習(xí)模型（支持向量機，高斯過程回歸，決策樹，隨機森林，人工神經(jīng)網(wǎng)絡(luò)等）研究316L不銹鋼的合金成分與力學(xué)性能之間的關(guān)系，預(yù)測和解釋不同合金成分下的力學(xué)性能

2．通過幾種優(yōu)化算法基于合金性能對合金成分進行逆向設(shè)計。得到力學(xué)性能最優(yōu)時候的合金成分配比。

3．同時介紹幾種常見的評價機器學(xué)習(xí)模型的可視化手段（包括學(xué)習(xí)曲線的建立，誤差帶的建立，擬合指數(shù)的分析，幾種誤差的評價等）和模型訓(xùn)練技巧

4．模型泛化能力評估（K-fold, LOEO）與模型不確定性評估

第三天：合金成分-性能機器學(xué)習(xí)高級模型實戰(zhàn)

1.介紹XGBOOST和LightGBM等進階機器學(xué)習(xí)模型，遺傳算法和貝葉斯優(yōu)化算法

2.利用XGBOOST和LightGBM建立合金成分-性能的預(yù)測模型

3.利用SHAP進行模型特征重要性和可解釋性分析

4.利用遺傳算法和貝葉斯優(yōu)化算法進行多目標優(yōu)化Pareto最優(yōu)合金設(shè)計

5.小樣本策略： active learning

第四天：合金成分-性能的人工神經(jīng)網(wǎng)絡(luò)高階模型實戰(zhàn)

1.介紹物理信息神經(jīng)網(wǎng)絡(luò)（PINN）的基本概念

2.利用物理信息神經(jīng)網(wǎng)絡(luò)進行合金成分-性能預(yù)測的建模與訓(xùn)練

3.介紹卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和長短記憶神經(jīng)網(wǎng)絡(luò)的基本概念

4.利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)微觀組織-性能的預(yù)測，長短記憶神經(jīng)網(wǎng)絡(luò)實現(xiàn)歷史熱處理-性能的預(yù)測

第五天：機器學(xué)習(xí)生成式模型用于結(jié)構(gòu)反向設(shè)計

1．介紹自動編碼機（VAE），生成對抗網(wǎng)絡(luò)（GAN）和擴散模型（Diffusion）的基本概念

2．用VAE實現(xiàn)合金的成分設(shè)計

3．用GAN實現(xiàn)微觀組織結(jié)構(gòu)的預(yù)測

4．生成模型的評價指標介紹：KL divergence, Fréchet Inception Distance (FID)

5．一些額外物理約束的加入以提高科學(xué)可信度

講師簡介

主講老師擁有海外頂尖高校機械工程博士學(xué)位和材料工程與應(yīng)用數(shù)據(jù)科學(xué)雙碩士學(xué)位，專注于機器學(xué)習(xí)在先進制造技術(shù)尤其是金屬增材制造中的應(yīng)用研究，熟悉增材制造實驗，微觀組織結(jié)構(gòu)表征，計算機仿真模擬與機器學(xué)習(xí)技術(shù)，具有豐富的編程經(jīng)驗，并在計算材料學(xué)等頂級期刊發(fā)表多篇高影響力論文并獲得國際專利授權(quán)，是多個材料學(xué)一區(qū)期刊的審稿人，授課方式注重實踐，并能將復(fù)雜的理論知識和計算方法講解得清晰易懂，至今已指導(dǎo)過10+碩士生和博士生的關(guān)于人工智能在增材制造方面應(yīng)用的畢業(yè)課題。

授課時間

機器學(xué)習(xí)分子動力學(xué)

2025.12.20--2025.12.21 (09:00-11:30--13:30-17:00)

2025.12.22--2025.12.25 (19:00--22:00)

機器學(xué)習(xí)第一性原理

2025.12.19(19:00--22:00)

2025.12.26(19:00--22:00)

2025.12.28(09:00-11:30--13:30-17:00)

2026.01.09(19:00--22:00)

2026.01.10--2026.01.11(09:00-11:30--13:30-17:00)

2026.01.12(19:00--22:00)

機器學(xué)習(xí)輔助金屬有機框架（MOFs）智能設(shè)計

2025.12.20---2025.12.21 (09:00-11:30--13:30-17:00)

2025.12.23---2025.12.24 (19:00--22:00)

2026.01.03----2026.01.04 (09:00-11:30--13:30-17:00)

機器學(xué)習(xí)輔助催化劑設(shè)計

2025.12.22 -2025.12.26 (19:00--22:00)

2025.12.29 -2025.12.31(19:00--22:00)

2026.01.04 (09:00-11:30--13:30-17:00)

AI賦能復(fù)合材料智能設(shè)計與多尺度仿真

2025.12.20 -2025.12.21 (09:00-11:30--13:30-17:00)

2025.12.22 -2025.12.23 (19:00--22:00)

2025.12.27 -2025.12.28 (09:00-11:30--13:30-17:00)

人工智能材料疲勞分析與斷裂力學(xué)

2025.12.29 -2025.12.30 (19:00--22:00)

2026.01.02-2026.01.03 (09:00-11:30--13:30-17:00)

2026.01.10-2025.01.11 (09:00-11:30--13:30-17:00)

機器學(xué)習(xí)合金設(shè)計

2025.12.20 -2025.12.21 (09:00-11:30--13:30-17:00)

2025.12.22 -2025.12.23 (19:00--22:00)

2025.12.27 -2025.12.28 (09:00-11:30--13:30-17:00)

機器學(xué)習(xí)分子動力學(xué)

機器學(xué)習(xí)第一性原理

機器學(xué)習(xí)輔助金屬有機框架（MOFs）智能設(shè)計

AI賦能復(fù)合材料智能設(shè)計與多尺度仿真

人工智能材料疲勞分析與斷裂力學(xué)

機器學(xué)習(xí)與催化劑設(shè)計

機器學(xué)習(xí)合金設(shè)計

每人每個課程￥4980元 （含報名費、培訓(xùn)費、資料費）

套餐價：

同時報名兩個課程 9880元（含報名費、培訓(xùn)費、資料費）

報名福利：

報二送一（同時報名兩個班贈送一個學(xué)習(xí)課程，贈送課程可任選）

兩班同報：9880元

三班同報：13880元（可以任選四個班學(xué)習(xí)）

五班同報：18880元（可免費學(xué)習(xí)一整年本單位舉辦的任意課程）

七班同報：28880元（可免費學(xué)習(xí)兩整年本單位舉辦的任意課程）

報名繳費后發(fā)送預(yù)習(xí)視頻資料

優(yōu)惠：提前報名繳費學(xué)員可得300元優(yōu)惠（僅限前15名）

報名費用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷

報名直播課程可贈送往期課程回放（報一贈一回放課、報二贈四回放課）

點擊鏈接跳轉(zhuǎn)查看

培訓(xùn)特色及福利

Manufacturing equipment

1、課程特色--全面的課程技術(shù)應(yīng)用、原理流程、實例聯(lián)系全貫穿

2、學(xué)習(xí)模式--理論知識與上機操作相結(jié)合，讓零基礎(chǔ)學(xué)員快速熟練掌握

3、課程服務(wù)答疑--主講老師將為您實際工作中遇到的問題提供專業(yè)解答

授課方式：通過騰訊會議線上直播，理論+實操的授課模式，老師手把手帶著操作，從零基礎(chǔ)開始講解，電子PPT和教程開課前一周提前發(fā)送給學(xué)員，所有培訓(xùn)使用軟件都會發(fā)送給學(xué)員，有什么疑問采取開麥共享屏幕和微信群解疑，學(xué)員和老師交流、學(xué)員與學(xué)員交流，培訓(xùn)完畢后老師長期解疑，培訓(xùn)群不解散，往期培訓(xùn)學(xué)員對于培訓(xùn)質(zhì)量和授課方式一致評價極高！

學(xué)員對于培訓(xùn)給予高度評價

報名咨詢方式（請二維碼掃描下方微信）

聯(lián)系人：葉老師

&nbs...