北京
第一性原理計算是一種基于量子力學基本原理（如薛定諤方程），僅使用基本物理常數而不依賴任何經驗參數，從源頭直接預測材料性質的理論研究方法。在當前前沿研究中，這一領域正經歷深刻的范式變革：在方法論層面，第一性原理計算與機器學習原子間勢能深度融合，通過主動學習實現量子精度與介觀尺度的無縫橋接，成功解決了長期以來"精度與尺度不可兼得"的矛盾；在量子技術領域，研究人員利用第一性原理模擬預測出新型無氫碳氮缺陷（CN中心）可作為硅基量子比特的穩健光源，為可擴展量子計算提供了新的材料平臺；在硬件架構層面，研究正從"數學驅動"走向"物理原理驅動"，例如基于憶阻器異質集成實現了第一性原理傅里葉變換系統，將傳統由邏輯電路驅動的數值運算轉化為材料特性驅動的自然演化過程；在理論深度上，第一性原理計算已能與Diagrammatic Monte Carlo等先進理論結合，在原子尺度上揭示復雜氧化物中電子-聲子相互作用的微觀機制，實現理論與實驗的定量吻合；同時，量子計算的發展使得超越玻恩-奧本海默近似、直接模擬電子-核耦合的非絕熱動力學成為可能，為光化學反應等復雜體系的研究開辟了新路徑。
金屬有機框架（MOFs）是由金屬節點與有機配體通過配位鍵自組裝而成的晶態多孔材料，以其極高的比表面積、結構可設計性和孔道可調性而聞名。在2025年諾貝爾化學獎的推動下，這一領域正經歷從"絕緣多孔材料"向"多功能智能材料"的深刻轉型。當前前沿研究主要聚焦于以下幾個方向：導電MOF通過π-d共軛設計實現了本征電子傳導，在鋰/鈉/鉀離子電池、超級電容器等儲能領域展現出巨大潛力；多金屬MOF利用多種金屬節點間的協同效應，在催化、光/電催化和傳感等領域性能遠超單金屬體系；在微電子器件領域，MOF薄膜已實現晶圓級生長和30納米以下高分辨率圖案化，可應用于憶阻器、化學晶體管和介電層；在環境修復方面，MOF光催化劑通過能帶工程和缺陷調控，實現了水體污染物降解和CO2光還原，并開發出集吸附與實時熒光檢測于一體的除氟材料；MOF膜通過配體缺失工程優化納米通道，在高鹽鹵水處理中實現了99.9%的鹽截留率。此外，數據驅動的AI輔助設計正在加速新型MOF的發現與性能預測。
2026五大熱門專題
專題一：深度學習第一性原理
專題二：人工智能與MOF設計實戰
專題三：機器學習催化劑設計
專題四：機器學習鋰離子電池
專題五：機器學習固態電池
專題一
深度學習第一性原理
學習目標
1.本課程以“深度學習+ 大語言模型雙引擎協同”為主線，系統講解從傳統第一性原理計算與分子動力學模擬，到機器學習、圖神經網絡、通用深度勢能模型，再到 LLM 驅動的智能材料研究工作流的完整技術體系。
2.課程注重理論與實踐深度結合，通過大量上機實操與真實案例，幫助學員全面掌握AI 驅動材料模擬、性質預測與材料發現的核心方法。
3..采用“理論講解+ 實踐操作 + 案例驅動”的教學模式，覆蓋計算環境搭建、材料數據庫、機器學習建模、圖神經網絡、通用勢能模型（CHGNet / Mattersim / DeepMD）、動力學與擴散模擬，以及大語言模型在材料科研中的協同應用。學員將親手構建從“數據 → 模型 → 模擬 → 優化 → 發現”的完整智能材料研究流程。
講師介紹
主講老師來自全國重點大學、“211工程”重點高校，長期從事人工智能驅動材料設計與計算模擬研究，兼具深度學習算法研發、通用勢能模型構建與大語言模型科研應用的交叉背景。通過理論結合實操與案例訓練，幫助學員快速掌握AI驅動材料設計與智能發現的關鍵技術與跨學科能力。
專題二
人工智能與MOF設計實戰
學習目標
1.系統引導學員搭建機器學習與MOF材料研究的交叉知識體系，清晰理解監督學習、無監督學習、集成學習、深度學習及圖神經網絡的核心原理，全面剖析各類機器學習算法在MOF材料性能預測、結構篩選、合成設計等場景的應用背景與適用范疇。通過Python及專屬機器學習庫的實操訓練，學員能梳理機器學習技術在材料領域的應用邏輯，掌握將機器學習技術落地MOF材料科學研究的關鍵能力。
2.幫助學員熟練掌握機器學習主流庫的核心功能與實操技巧，能靈活運用線性回歸、隨機森林、XGBoost、圖卷積網絡（GCN）等經典及前沿算法模型。掌握特征工程、模型訓練、調優評估的全流程實踐，同時讓學員掌握模型可解釋性分析方法（SHAP值、特征重要性分析等），理解MOF材料結構-性能構效關系，為優化MOF材料性能、設計新型功能MOF體系提供理論支撐。
3.讓學員掌握圖神經網絡適配MOF材料研究的核心邏輯，理解將MOF晶體結構轉化為圖結構的關鍵方法，明晰GCN、GAT、SchNet等圖神經網絡架構在MOF材料性質預測中的優勢。掌握圖神經網絡在MOF領域的實操應用，同時掌握大語言模型在MOF合成預測、文獻挖掘、代碼生成中的應用技巧，為MOF新材料發現與合成研發開辟新研究路徑。
4.掌握“數據-特征-模型-預測-驗證”的全流程實操能力，從MOF數據集處理、特征提取與降維，到模型訓練調優、評估應用，再到主動學習、圖神經網絡搭建、大語言模型應用，讓學員掌握可直接復用的MOF材料機器學習研究代碼模板與分析方法，能夠獨立運用機器學習技術解決MOF材料實際研究問題。
講師介紹
主講老師來自全國重點大學、國家“985工程”、“211工程”重點高校，長期從事機器學習輔助的材料設計與預測研究，兼具機器學習算法研發與MOF材料研究的交叉專業背景，熟悉MOF領域研究痛點與機器學習技術落地要點，能夠精準結合領域實例拆解理論與實操，讓學員快速掌握跨學科研究技能。
專題三
機器學習催化劑設計
學習目標
1.課程將系統引導學員深入理解電催化、熱催化、光催化的核心原理，同時全面剖析機器學習、深度學習及圖深度學習在催化領域的應用背景與適用范疇。通過 Python 語言基礎與機器學習算法的專項學習，學員不僅能夠清晰梳理機器學習從萌芽到蓬勃發展的歷史脈絡，洞悉其在信息時代于不同領域的多樣化表現形式，更將通過實踐操作，切實掌握將機器學習技術應用于科學研究的關鍵技能，為催化領域的前沿探索奠定堅實基礎。
2.課程助力學員精準把握傳統機器學習算法與深度學習算法的本質差異，熟練掌握 sklearn、torch 等主流第三方庫的核心功能與應用技巧。通過系統學習與實踐，學員將能夠靈活運用樹模型、深度神經網絡、卷積神經網絡、循環神經網絡等算法模型，深度融入科學研究場景。同時，借助機器學習的可解釋性分析方法，深入挖掘數據背后的科學規律，精準闡釋催化反應機制，實現數據驅動與理論解析的深度融合，為科學研究提供創新分析視角與可靠技術支撐。
3.通過培養學員將機器學習應用在催化領域的研究思維，加速研究范式轉變。將機器學習與第一性原理或者實驗結合，以實現快速發現催化材料。這種結合能夠充分發揮不同方法的優勢，機器學習強大的數據處理和模式識別能力，可挖掘催化過程中的隱藏規律，第一性原理則能從量子力學層面揭示催化反應的本質，實驗數據為模型提供真實可靠的驗證基礎。同時，引導學員運用遷移學習等技術，將在某一催化體系中訓練得到的模型，快速應用到相似體系，實現知識的高效復用。此外，借助機器學習的可解釋性研究，還能幫助學員深入理解催化反應機制，為進一步優化催化材料性能、設計新型催化體系提供理論支撐，推動催化領域朝著智能化、精準化方向邁進。
4.圖拓撲結構和圖神經網絡在催化領域有著廣泛的應用。由于催化過程中存在大量繁雜的中間體，這為圖拓撲結構的構建提供了豐富的數據來源，從而更有利于發現新的催化路徑。將晶體結構從歐式空間轉化為非歐空間的圖結構，相較于傳統描述符，能夠更有效地捕捉晶體結構與目標屬性之間的映射關系。通過培養學員跨學科、跨領域、跨范式的科學思維，有望為新材料發現開辟新的研究范式。
講師介紹
來自全國重點大學、國家“985工程”、“211工程”重點高校，長期從事機器學習輔助的催化劑設計與預測研究，在機器學習深度學習輔助的催化劑設計研究領域深耕多年，具有豐富的經驗和扎實的基礎。在多個國際高水平期刊上發表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠將復雜的理論知識和計算方法講解得清晰易懂！
專題四
機器學習鋰離子電池
學習目標
1. 使學員了解鋰離子電池的基本原理和特性，以及機器學習在電池技術中的應用背景。通過學習Python編程語言，使學員能夠熟練使用基礎語法、函數、模塊、包和面向對象編程，讓學員熟悉并掌握機器學習庫。
2. 使學員理解神經網絡的基礎知識，包括激活函數、損失函數、梯度下降與反向傳播，并能夠使用Pytorch構建全連接神經網絡，掌握深度學習中的正則化技術、優化算法和超參數調優方法，了解并能夠應用循環神經網絡、卷積神經網絡、圖神經網絡、注意力機制、Transformer架構、生成對抗網絡和變分自編碼器。
3. 培養學員在鋰離子電池正極材料特性工程方面的實戰能力。通過實戰項目，使學員能夠使用機器學習技術預測鋰離子電池性能、穩定性，并進行電池性能分類。理解如何將機器學習與分子動力學模擬、第一性原理計算以及實驗數據結合，以加速新材料的發現和電池性能的優化。
4. 電池管理系統（BMS）的智能化學習：使學員了解BMS的功能與組成，并能夠應用機器學習技術進行電池充放電策略的優化。培養學員使用機器學習技術進行鋰離子電池的實時充電狀態（SOC）和健康狀態（SOH）估計。
5. 拓寬學員的國際視野，讓他們接觸和學習國際上的先進研究成果。培養具備跨學科整合能力的學員，使他們能夠在鋰離子電池、深度學習、數據科學等領域之間架起橋梁，開展創新性研究。
講師介紹
來自全國重點大學、國家“985工程”、“211工程”重點高校，長期從事鋰離子電池研究，特別是在利用計算模擬方法和機器學習技術解決鋰離子電池領域的關鍵問題。在多個國際高水平期刊上發表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠將復雜的理論知識和計算方法講解得清晰易懂！
專題五
機器學習固態電池
學習目標
1. 掌握固態電池（SSB）的發展使命，基本構成、固態電解質分類，工作原理、關鍵挑戰與性能評估。
2. 了解利用第一性原理（DFT）和分子動力學（MD）及其相關工具（如VASP, CP2K, LAMMPS, Gromacs）計算固態電池關鍵材料（電極、電解質）及界面性質的基本方法。
3. 掌握機器學習的基本概念、常用算法及其在材料科學，特別是固態電池領域的應用流程。
4. 學習如何為固態電池體系（包括電極、電解質、界面）構建有效的特征描述符以及如何利用VASP等DFT工具對該類描述符進行計算。
5. 熟練運用Python及其相關庫（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE）處理固態電池相關數據并構建機器學習模型。
6. 掌握利用機器學習、深度學習等模型預測固態電池關鍵性能（如界面穩定性、離子電導率、循環壽命等）的方法。
7. 學習使用機器學習加速新型固態電池材料體系（特別是穩定的界面組合）的發現和設計，如利用Matminer工具結合Material Project數據庫進行高通量篩選。
8. 掌握使用機器學習與傳統計算模擬（DFT/MD）結合，進行多尺度研究的策略，利用先進的神經網絡模型如Deepmd-kit, MACE等加速材料的研發。
講師介紹
來自全國重點大學、國家“985工程”、“211工程"重點高校，長期從事固態電解質材料的第一性原理、分子動力學模擬研究，特別是在利用計算模擬方法和機器學習相結合來加速材料篩選，性能預測等方面有深入研究。他的授課方式淺顯易懂，特別擅長從簡單角度出發，逐漸深入講解復雜的理論知識和計算方法!目前共發表論文（Nature Catalysis， Nature Communications， Energy & Environmental Science， Advanced Energy Materials等）共四十余篇。曾任Joule， Journal of Materials Chemstry A等期刊審稿人。
專題一：深度學習第一性原理
上下滑動查看完整內容
第一天：計算環境+ Python 科學計算 + 材料建模基礎
上午：計算環境基礎與材料模擬理論
（1）第一性原理、分子動力學計算與Linux 環境搭建
系統介紹第一性原理計算與分子動力學模擬的基本思想、適用范圍與典型應用場景，幫助學員建立對現代材料模擬方法體系的整體認識。講解Linux 操作系統在科學計算中的基本使用方法，包括文件系統、常用命令、環境配置與軟件部署方式，并介紹科學計算常用軟件棧的組織方式與管理方法。
實踐內容：
在Linux 環境下完成 Python 與材料模擬相關工具鏈的基礎運行環境搭建。
（2）高通量計算與自動化腳本基礎
講解超算作業調度系統SLURM / PBS 的基本使用方式與作業提交流程，系統介紹 Bash 腳本中的循環結構、條件判斷與函數封裝等常用編程方法，并以材料模擬中的參數掃描與收斂性測試為例，講解如何構建自動化批量計算流程，實現大規模計算任務的高效管理。
實踐內容：
編寫用于批量計算與參數掃描的自動化腳本，實現簡單高通量計算流程。
下午：Python 科學計算與專業材料工具
（1）Python 科學計算生態系統
系統講解NumPy、Pandas、Matplotlib、SciPy 在材料數據處理、數值計算與科學繪圖中的典型用法，介紹晶體結構、原子坐標、晶格參數與物性數據的數組化表示方法，并講解如何進行統計分析與可視化展示。同時介紹 Jupyter Notebook 在可復現計算流程、科研記錄與結果展示中的應用方式。
實踐內容：
使用Python 對材料結構與物性數據進行讀取、處理、統計分析與可視化展示。
（2）專業材料分析工具：ASE 與 Pymatgen
系統講解ASE 在原子結構構建、文件格式轉換、幾何優化與分子動力學模擬設置中的應用方法，講解 Pymatgen 在晶體對稱性分析、缺陷建模、熱力學與電子結構數據處理等方面的核心功能，并介紹如何構建從結構生成、第一性原理計算到后處理分析的自動化材料模擬工作流。
實踐內容：
使用ASE 與 Pymatgen 進行分子、晶體與界面模型的構建、分析與可視化。
（3）材料數據庫入門與初步機器學習建模
講解現代材料研究中材料數據庫在數據驅動材料發現中的重要作用，介紹C2DB 二維材料數據庫與 MOF 數據庫的結構、分類方式與 API 使用方法。系統講解面向機器學習的材料數據準備流程，包括數據清洗、缺失值處理、特征篩選與數據質量評估等關鍵步驟。
實踐內容：
從材料數據庫中獲取數據，完成數據預處理，并基于DeepSeek 構建第一個材料性質回歸模型。
第二天：第一性原理計算實戰+ 材料數據庫與機器學習
上午：GPAW 第一性原理計算與材料性質模擬
（1）GPAW DFT 計算框架與材料性質計算實戰
系統介紹GPAW 密度泛函理論計算框架的基本原理、數值實現方法及其在材料模擬中的典型應用場景。講解材料結構優化的標準流程，包括截斷能、k 點采樣的收斂性測試方法。隨后以典型半導體與金屬體系為例，講解能帶結構計算的布里淵區路徑設置方法、能帶圖的繪制方式與物理含義解讀。同時介紹表面與界面體系的建模方法，并講解分子在表面吸附構型搜索、吸附能與反應能的計算流程。
實踐內容：
完成典型材料體系的結構優化、能帶結構計算，以及簡單表面吸附體系的構型優化與吸附能計算。
（2）多物性第一性原理計算方法
系統講解基于第一性原理的多物性計算方法，包括掃描隧道顯微鏡（STM）模擬的理論基礎與局域態密度分析方法，拉曼光譜計算中聲子模式與拉曼活性選擇定則的物理背景，以及材料光學性質（介電函數、吸收系數等）的計算流程。同時結合二維材料體系，介紹其電子結構與光學性質的計算特點，并以催化表面體系為例，講解表面吸附與反應相關性質的計算策略。
實踐內容：
完成STM 模擬、拉曼光譜計算、光學性質計算，并對催化表面吸附體系進行第一性原理計算；同時演示基于高精度一致性數據集的高通量自動化計算流程。
下午：材料數據庫 + 機器學習建模
（1）材料數據庫的獲取、管理與智能查詢
系統介紹MC2D、Materials Project 與 AFLOW 等主流材料數據庫的數據結構、數據類型與典型應用場景，同時講解 CSD、CoRE-MOF 與 QMOF 等結構數據庫中的數據特點與結構可視化、格式轉換方法。隨后講解材料數據在進入機器學習建模前的數據質量評估流程，包括數據完整性檢查、異常值識別與基本篩選策略，并介紹大語言模型結合 MCP 協議進行自然語言數據庫查詢與智能檢索的基本思路。
實踐內容：
通過數據庫API 從多個材料數據庫中獲取數據，完成數據整理、初步清洗與結構信息解析。
（2）機器學習在材料性質預測中的建模流程
系統講解材料機器學習模型中常用的描述符構建方法，包括結構特征、電子特征與化學特征等多種信息的組合方式。隨后以多個典型任務為例，講解回歸模型在材料形成能預測、彈性力學性質預測以及HER 催化吸附自由能預測中的建模流程。同時介紹模型評估方法，包括學習曲線、交叉驗證與泛化誤差分析等，用于判斷模型的可靠性與適用范圍。
實踐內容：
使用matminer 構建多種材料性質預測模型，分別完成材料熱力學穩定性、彈性力學性質與吸附自由能的回歸預測，并對模型效果進行評估與對比分析。
第三天：深度學習模型（GNN + 勢能模型）
上午：圖神經網絡與 CGCNN
（1）圖神經網絡與CGCNN 在材料性能預測中的應用
系統回顧深度學習在材料科學中的發展歷程與相較傳統機器學習方法的核心優勢，介紹圖神經網絡（Graph Neural Network, GNN）的基本思想，包括圖表示學習與消息傳遞機制等核心概念。隨后重點講解 CGCNN（Crystal Graph Convolutional Neural Network）的模型原理與網絡架構，包括晶體結構的圖表示方法、卷積操作在晶體圖中的實現方式，以及面向回歸與分類任務的網絡設計思路。同時對比深度學習方法與傳統機器學習方法在預測精度、特征工程依賴程度與數據需求等方面的差異。
實踐內容：
使用CGCNN 模型對典型材料數據集進行訓練與測試，完成材料形成能、吸附能等性質的預測任務，并分析模型預測效果。
（2）深度學習模型在材料數據建模中的方法對比與應用分析
進一步結合具體案例，分析圖神經網絡模型在處理復雜晶體結構數據時相較傳統描述符方法的優勢與適用場景，討論模型在不同數據規模與不同材料體系下的表現特點，并介紹模型訓練過程中的基本調參與誤差分析方法，為后續通用勢能模型的學習打下基礎。
實踐內容：
對CGCNN 模型的關鍵參數進行簡單調節，對比不同模型設置下的預測性能差異。
下午：CHGNet 通用勢能模型
（1）神經網絡勢能模型發展與CHGNet 架構解析
系統介紹神經網絡勢能函數從傳統經驗力場到深度學習勢能模型的發展歷程，講解CHGNet 通用材料勢能模型的整體設計思想與網絡架構。重點講解圖神經網絡在勢能建模中的應用方式，以及 CHGNet 中電荷—幾何—磁性信息的聯合建模策略，并介紹多任務學習框架下同時預測能量、原子力與應力張量的實現方法。
實踐內容：
調用預訓練CHGNet 模型對典型材料體系進行能量與結構穩定性預測，并對預測結果進行初步分析。
（2）CHGNet 與第一性原理計算的對比及實際應用
系統對比CHGNet 等通用勢能模型與傳統第一性原理計算在精度、計算效率與適用規模方面的差異，講解預訓練模型的使用方式及其在大規模材料篩選中的優勢。隨后結合具體材料體系，演示如何使用 CHGNet 進行結構優化、性質預測，并進一步拓展到材料磁性與結構相關性質的快速評估。
實踐內容：
使用CHGNet 完成材料結構優化與勢能預測，并對材料的磁性與結構穩定性等性質進行預測與分析。
第四天：深度勢能模型高級應用
上午：多物性預測 + 模型微調
（1）通用模型的聲子譜與熱學性質預測
系統講解基于Mattersim 等通用材料大模型進行晶格動力學與聲子譜計算的基本原理，包括聲子色散關系與聲子態密度（DOS）的物理含義及其分析方法。在此基礎上，介紹如何進一步利用聲子信息計算材料的熱導率、熱容與德拜溫度等關鍵熱學性質，并講解這些物性在熱管理與功能材料設計中的重要意義。
實踐內容：
使用Mattersim 模型對典型材料體系進行聲子譜計算，分析聲子色散關系與態密度，并完成熱學性質（熱容、德拜溫度等）的預測。
（2）通用模型的微調策略與小樣本學習
系統介紹預訓練通用勢能模型在特定材料體系或特定物性任務上的微調方法，講解小樣本學習在材料科學中的應用場景與基本思路，以及如何通過有限的高精度數據對通用模型進行材料體系適配，從而在保證精度的同時大幅降低重新訓練模型的成本。
實踐內容：
使用Mattersim / MACE 對特定材料體系進行模型微調，并將微調后的模型應用于晶格動力學計算及催化吸附 / 解離相關性質預測。
下午：DeepMD 與離子擴散
（1）深度勢能模型的構建與應用
系統介紹DeepMD-kit 框架的整體工作流程，包括描述符構建、神經網絡模型訓練與模型驗證方法。結合多種典型材料體系，講解 DeepMD 在金屬體系與固態電解質材料中的應用方式，并介紹如何利用深度勢能模型高效計算材料的彈性性質、狀態方程（EOS）以及聲子譜等物理量。
實踐內容：
演示使用DeepMD 勢能模型對典型材料體系進行性質計算，包括彈性性質與狀態方程分析。
（2）過渡態搜索與離子擴散性質計算
系統講解過渡態（NEB）方法的基本原理及其在擴散過程研究中的應用，介紹如何基于深度學習勢能模型高效搜索離子遷移路徑與過渡態結構。以 LiFePO? 等鋰離子電池相關材料為例，講解鋰離子在固體材料中的擴散機制與擴散能壘的計算方法，并進一步介紹如何由此估算擴散系數等動力學參數。
實踐內容：
完成固態電解質或鋰電材料中Li 離子擴散路徑的 NEB 計算，并基于計算結果估算離子擴散能壘與擴散系數。
第五天：大語言模型+ AI 協同材料設計工作流
上午：大語言模型與材料模擬協同
（1）大語言模型在材料模擬流程中的應用
系統介紹大語言模型（LLM）在材料模擬與計算材料科學工作流中的應用方式，包括在計算結果自動解讀、結果總結與報告生成中的作用。講解如何利用大語言模型輔助進行文獻調研與信息抽取，以及在材料數據挖掘與知識整理中的應用場景。同時介紹基于 Ollama 的本地大模型自動化部署方式，以及如何將大語言模型嵌入到日常科研計算流程中。
實踐內容：
使用大語言模型對已有材料模擬計算結果進行自動分析與摘要生成，并演示基于本地模型的基本調用方式。
（2）LLM + 材料模擬 + 數據庫的協同工作流
系統講解如何將大語言模型與材料模擬軟件及材料數據庫進行聯動，構建從“問題描述 → 數據檢索 → 計算執行 → 結果分析 → 報告生成”的一體化智能工作流。重點介紹自然語言接口在數據庫檢索與計算流程組織中的作用，以及多工具協同調用的基本設計思路。
實踐內容：
構建一個簡單的LLM 驅動材料模擬輔助流程，實現從自然語言查詢到數據庫檢索與結果匯總的自動化演示。
下午：AI 協同材料發現與全局優化
（1）AI 材料發現工作流與全局結構搜索方法
系統講解AI 驅動的材料發現整體工作流，包括數據準備、模型預測、候選結構篩選與高精度驗證的基本流程。在此基礎上，介紹兩類常用的全局優化算法——遺傳算法與粒子群優化算法的基本思想、適用場景及其在材料結構搜索問題中的應用方式。
實踐內容：
演示遺傳算法或粒子群優化在簡單結構搜索問題中的基本使用流程。
（2）基于通用勢能模型的材料結構搜索與課程總結
講解如何將通用深度勢能模型與全局優化算法相結合，用于新材料結構的高效搜索與篩選，并對搜索得到的候選結構進行快速性質評估。隨后對整個五天課程中涉及的計算材料學、機器學習、深度學習與大語言模型技術路線進行系統梳理與總結，幫助學員建立完整的AI 驅動材料研究技術框架。
實踐內容：
使用通用勢能模型結合全局優化算法完成新材料結構搜索示例，并對搜索結果進行初步分析與討論；最后進行全課程總結與綜合交流討論。
專題二：人工智能與MOF設計實戰
上下滑動查看完整內容
第一天上午
機器學習與金屬有機框架（MOF）緒論
監督學習、非監督學習、半監督學習的區別和應用場景
機器學習算法的分類和特點以及在MOF中的應用
機器學習模型理論講解，監督學習（回歸與分類），線性回歸模型，邏輯回歸模型，K近鄰模型，支持向量機模型，決策樹模型，神經網絡模型
實操：
安裝Python和必要的機器學習庫
機器學習工具，常用的機器學習庫Scikit-Learn等實操
機器學習輔助發現丙烷選擇性金屬有機框架
MOF數據集處理：數據整合，Python清洗數據，處理缺失值（如用均值填充MOF缺失特征）、異常值（剔除超常規范圍的錯誤數據），構建標準化數據集
MOF特征提取與分析：特征提取，特征初步分析，分析特征與目標性能，篩選關鍵特征
模型訓練與調優，數據劃分、模型訓練
性能預測，模型評估，回歸模型等評價指標與調用方法（均方誤差（MSE）、平均絕對誤差（MAE）、決定系數（R2）等）
掌握“數據-特征-模型-預測”全流程，能用機器學習解決MOF材料性能預測問題，輸出可復用的代碼模板與結果分析。
以上實操內容結合MOF領域的例子和數據
第一天：下午
集成學習講解：
Bagging (如隨機森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)
隨機森林（Random Forest）原理與應用
梯度提升樹（Gradient Boosting）原理與應用
實操：
通過機器學習加速發現水穩定金屬-有機框架
MOF的特征處理：標準化，區間縮放法，歸一化，定量特征二值化，OneHot獨熱編碼等
MOF特征降維：特征選擇（相關系數法，卡方檢驗，遞歸消除特征法，基于模型的特征選擇法），線性降維（主成分分析法PCA處理，線性判別法）
分類模型驗證指標（準確率，查準率和查全率，F得分，分類報告，混淆矩陣）ROC和AUC曲線等；
多類集成學習模型的訓練預測與評估
交叉驗證（Cross-Validation）：K折交叉驗證、留一法等，用于評估模型泛化能力。
模型選擇與避免過擬合/欠擬合：學習曲線分析
第二天：上午
無監督學習
什么是無監督學習
無監督算法——聚類
無監督算法——降維
K-均值聚類（K-Means），層次聚類，t-SNE、主成分分析原理與實操講解
實操：
鳶尾花數據集用于聚類實現和應用
T-SNE實現和應用
PCA的實現和應用
層次聚類的實現和應用
K-means聚類的實現和應用
MOF材料聚類實操：
數據加載，參數調優，構建模型，對MOF材料數據執行降維，可視化及分析
第二天：下午
實操：機器學習與金屬有機框架在氣體存儲和分離領域的結合
實操：機器學習輔助預測金屬有機框架中的儲氫性能
多種機器學習模型構建，線性回歸模型，邏輯回歸模型，K近鄰模型，支持向量機模型，決策樹模型，神經網絡模型
集成學習訓練：Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM
參數調優與模型優化，.超參數調優：網格搜索（Grid Search）、隨機搜索（Random Search）
模型評估與結果分析
第三天：上午
利用機器學習鞏固MOF實驗結果的多樣性
MOF數據探索，特征工程，數據預處理
多種機器學習方法應用于MOF材料綜合訓練
機器學習模型訓練與評估
模型的可解釋性實戰，線性回歸方程式，決策樹模型可視化，隨機森林篩選特征等重要性，SHAP值可解釋性等
第三天：下午
實操：利用溫度驅動主動學習實現金屬有機框架的機器學習潛力
關鍵概念（回歸樹、主動學習）
初始化參數與數據存儲設計
數據處理：input方法的數據校驗與格式轉換
模型訓練：fit_tree 方法與回歸樹擬合邏輯
主動學習核心：葉子節點統計（方差、樣本占比）計算
實操應用：模型預測、樣本標記更新與迭代優化
第四天：上午
深度學習與神經網絡基礎
神經網絡基礎：感知器、多層感知器（MLP）、激活函數（ReLU, Sigmoid, Tanh）、損失函數、梯度下降與反向傳播。
前向傳播與反向傳播核心邏輯
MOF核心特性：結構與應用場景
交叉邏輯：神經網絡如何適配MOF結構-性能預測需求
實操：
手動實現神經網絡全流程（參數初始化→前向/反向傳播→參數更新）
編寫參數初始化、sigmoid 函數、前向傳播代碼
實現交叉熵損失計算與反向傳播梯度求解
搭建完整訓練循環，進行模型訓練和驗證
調試優化：調整學習率、隱藏層神經元數，解決收斂慢問題
第四天：下午
圖神經網絡（GNN）及其在MOF材料中的應用
GNN特征工程的特點
圖的基本概念：節點（原子）、邊（鍵）、圖（晶體結構/分子）GNN基本思想：消息傳遞機制
常用GNN架構介紹：GCN, GAT, SchNet, MEGNet/ALIGNN等
實操：
用于MOF性質預測的常規機器學習和圖神經網絡模型的比較分析
圖神經網絡基礎模型構建
使用MOF圖結構數據訓練GCN模型
針對GCN模型的關鍵參數進行優化，提升模型性能。
從預測精度、泛化能力、訓練效率等方面對機器學習和圖神經網絡模型進行評估
對比分析不同模型在MOF性質預測中的優勢與不足
第五天：上午
實操：人工智能和高通量計算工作流程助力快速篩選用于儲氫的金屬有機框架材料
實操深度學習模型架構：GNN的圖卷積層設計
模型關鍵組件激活函數、池化層、損失函數等的選擇依據
模型搭建的核心邏輯與參數初始化技巧
復刻論文模型：搭建GNN模型
配置訓練參數學習率、批量大小、迭代次數、編寫訓練循環代碼，實現前向傳播與梯度下降參數更新
模型評估與模型應用
總結兩類模型在MOF材料研究不同場景下的適用情況，為實際研究中的模型選擇提供參考
第五天：下午
實戰例子：大語言模型作為化學助手預測MOF合成
基于大語言模型的文本挖掘的設計
提示工程設計
大語言模型輔助Python代碼生成和數據處理
MOF合成結果的預測建模
探索大型語言模型在MOF領域的適應性和多功能性
專題三：機器學習催化劑設計
上下滑動查看完整內容
第一天：
第一天上午
理論內容：
1.機器學習概述
2.材料與化學中的常見機器學習方法
3.應用前沿
實操內容：
1.Python基礎：變量和數據類型，列表，字典，if語句，循環，函數
2.Python科學數據處理：NumPy，Pandas，Matplotlib
案例一：隨著AI For Science時代的到來，機器學習以優異的速度迅速擴展到各個領域。本次培訓詳細講解從下載到安裝，再到環境配置全流程。無論是數據科學新手還是進階學習者，都能借此掌握 Anaconda 操作要點，輕松搭建編程環境，為后續 Python 開發、數據分析等工作筑牢基礎。
第一天下午
理論內容：
1.sklearn基礎介紹
2.線性回歸原理和正則化
實操內容：
1. 線性回歸方法的實現與初步應用
2. L1和L2正則項的使用方法
3. 線性回歸用于HER催化劑的篩選
4. 符號回歸用于發現金屬催化氧化載體中金屬-載體相互作用
案例二：金屬-載體相互作用是多相催化中最重要的支柱之一，但由于其復雜的界面，建立一個基本的理論一直具有挑戰性。基于實驗數據、可解釋的機器學習、理論推導和第一性原理模擬，以建立了基于金屬-金屬和金屬-氧相互作用的金屬-氧化物相互作用的一般理論（符號回歸）。
第二天上午
理論內容：
1. 邏輯回歸
1.1原理
1.2 使用方法
2. K近鄰方法（KNN）
2.1 KNN分類原理
2.2 KNN分類應用
3. 神經網絡方法的原理
3.1 神經網絡原理
3.2神經網絡分類
3.3神經網絡回歸
實操內容：
1.邏輯回歸的實現與初步應用
2.KNN方法的實現與初步應用
3.神經網絡實現
案例三：銅基合金催化劑因其良好的選擇性和過電位低等特點，在二氧化碳還原反應（CO2RR）領域得到了廣泛的應用。為了實現對CO2RR合金催化劑的高效探索，通過實施嚴格的特征選擇過程，將特征空間的維數從13維降至5維，ML模型成功快速預測了CO2RR過程中關鍵中間體（HCOO、CO和COOH）的吸附能。
第二天下午
項目實操：
1.基于少特征模型的機器學習預測二氧化碳還原電催化劑
2.基于文本數據信息預測甲醇轉化率
這兩個實操項目同時穿插講解如下內容
A1 機器學習材料與化學應用的典型步驟
A1.1 數據采集和清洗
A1.2 特征選擇和模型選擇
A1.3 模型訓練和測試
A1.4 模型性能評估和優化
案例四：結構化材料合成路線對于化學家進行實驗和現代應用（如機器學習材料設計）至關重要。近年來，化學文獻呈指數級增長，人工提取已發表文獻耗時耗力。本研究的重點是開發一種從化學文獻中提取pd基催化劑合成路線的自動化方法。并利用合成路線的結構化數據來訓練機器學習模型并預測甲烷轉化率的性能。
第三天上午
理論內容：
1．決策樹
1.1決策樹的原理
1.2決策樹分類
2． 集成學習方法
2.1集成學習原理
2.2隨機森林
2.3Bosting方法
3.樸素貝葉斯概率
3.1原理解析
3.2 模型應用
4. 支持向量機
4.1分類原理
4.2核函數
實操內容
1.決策樹的實現和應用
2.隨機森林的實現和應用
3.樸素貝葉斯的實現和應用
4.支持向量機的實現和應用
案例五：集成學習通過多層模型組合與融合，在提升模型性能方面極具優勢。在數據挖掘中，面對海量且復雜的數據，單一模型往往難以全面捕捉數據特征。集成學習將弱學習器的性能結合，先由各基礎模型從不同角度挖掘數據，再通過加權等方式融合結果，能更全面地剖析機器學習結果。
第三天下午
項目實操
1.機器學習加速設計ORR和OER雙功能電催化劑
2.二元合金中雙官能團氧電催化劑的有效機器學習模型設計
3.SHAP機器學習可解釋性分析
這兩個實操項目同時穿插講解如下內容
A1 模型性能的評估方法
A1.1 交叉驗證：評估估計器的性能
A1.2 分類性能評估
A1.3 回歸性能評估
案例六：氧還原反應（ORR）和析氧反應（OER）是清潔能源轉化的關鍵。近年來，雙金屬位催化劑（DMSCs）因其原子利用率高、穩定性強、催化性能好而受到廣泛關注。本研究采用密度泛函理論（DFT）和機器學習（ML）相結合的先進方法，研究吸附物在數百種潛在催化劑上的吸附自由能，來篩選對ORR和OER具有高活性的催化劑。
第四天上午
理論內容：
1. 無監督學習
2.1 什么是無監督學習
2.2 無監督算法——聚類
2.3 無監督算法——降維
2. 材料與化學數據的特征工程
2.1分子結構表示
2.2 獨熱編碼
實操內容：
鳶尾花數據集用于聚類實現和應用
T-SNE實現和應用
PCA的實現和應用
層次聚類的實現和應用
K-means聚類的實現和應用
案例七：無監督學習是從無標簽數據中挖掘模式與結構，t-SNE作為其重要降維工具，專注于保留高維數據點間局部結構。課程將深入講解t-SNE核心原理，如通過概率分布衡量點間相似性，以優化KL散度實現降維，展示其在高維數據可視化中的強大作用。還會進行代碼實操，涵蓋數據加載、參數調優、降維及可視化等環節，讓學員熟練掌握t-SNE在不同場景的應用，助力探索數據潛在結構與模式。
第四天下午
項目實操
理論內容：
1.深度學習理論基礎
2.DNN、RNN、CNN、LSTM及Transformer基礎框架介紹
實操內容
1. torch基礎練習
2. 應用RNN、CNN、LSTM模型篩選光催化劑
案例八：近年來，結合高通量（HT）和機器學習（ML）的策略以加速有前途的新材料的發現已經引起了人們的極大關注。因此，可以設計一種直觀的方法，通過數據庫并結合深度學習模型，并將它們與HT方法耦合，以尋找高效的2D水分解光催化劑。
第五天上午
理論內容：
1.圖深度學習理論基礎
2.圖深度學習應用實例OC20、OC22電催化劑開發挑戰（ACS Catalysis）
實操內容：
1. 圖結構構建及可視化
2. PyTorch Geometric基礎介紹
案例九：近年來，在晶體性能預測領域，圖神經網絡（graph neural network，GNN）模型取得了長足的發展。GNN模型可以有效地從晶體結構中捕捉高維晶體特征，從而在性能預測中獲得最佳性能。指導學員搭建圖深度學習開發環境，以順利構建圖結構，并進行機器學習訓練。
第五天下午
項目實操
1.圖神經網絡模型基本概述及CGCNN代碼深度解讀應用
2.基于圖論構建反應網絡用于NO電還原反應研究
3.Transformer輔助水氧化制備過氧化氫(WOR)及可解釋分析
案例十：氮氧化物排放嚴重影響我們的環境和人類健康。光催化脫硝（deNOx）因其低成本、無污染而備受關注，但實際生產中產生的是不需要的亞硝酸鹽和硝酸鹽，而不是無害的氮氣。揭示活性位點和光催化機理對改進工藝具有重要意義。本次課程以指導學員依據反應中間體，建立圖反應網絡結構以揭示反應機理。
專題四：機器學習鋰離子電池
上下滑動查看完整內容
第一天上午：鋰離子電池與機器學習基礎
鋰離子電池與機器學習背景：了解鋰離子電池的基本原理、發展歷程、應用領域以及當前面臨的挑戰；介紹機器學習的定義、發展歷程、主要應用領域以及與鋰離子電池研究的結合點，探討機器學習如何助力鋰離子電池性能提升和新材料研發。
Python基礎語法、函數、模塊和包、面向對象編程
機器學習庫介紹：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn
第一天下午：監督學習與非監督學習入門
監督學習與非監督學習
K-近鄰、支持向量機、決策樹、線性回歸、邏輯回歸
實戰一：使用機器學習預測鋰離子電池性能：特征工程描述包括電池的充放電循環數據、溫度、電流、電壓、電池的制造參數、材料特性等，選擇不同的機器學習模型，例如決策樹、隨機森林、支持向量機，最后進行性能評估。
第二天上午：聚類分析與集成學習
K-均值聚類、層次聚類、PCA、t-SNE
集成學習：隨機森林、Boosting
交叉驗證、性能指標、模型評估與選擇、網格搜索
實戰二：特征選擇與聚類算法選擇：根據鋰離子電池的性能特征（如容量、能量密度、內阻、循環穩定性等），選擇合適的聚類算法（如K-均值聚類、層次聚類等），通過特征工程對數據進行預處理，將數據轉換為適合聚類分析的格式。
聚類結果分析與降維驗證：對聚類結果進行分析，觀察不同聚類類別中電池的性能特點和分布規律，通過降維技術（如PCA、t-SNE）對聚類結果進行可視化驗證，判斷聚類結果的有效性和合理性，為鋰離子電池的性能分類和優化提供依據。
第二天下午：神經網絡基礎與深度學習技術
神經網絡基礎、激活函數、損失函數、梯度下降與反向傳播
Pytorch構建全連接神經網絡
深度學習中的正則化技術：L1、L2、Dropout
優化算法：SGD、Adam、RMSprop
超參數調優：網格搜索、隨機搜索、貝葉斯優化
實戰三：基于深度學習的高熵材料的虛擬高通量篩選： 收集和整理用于訓練的數據集，包括高熵材料的化學組成、晶體結構、物理化學性質等，使用準備好的數據集對深度學習模型進行訓練，并采用交叉驗證等方法來評估模型的泛化能力。
第三天上午：高級深度學習架構與應用
循環神經網絡
卷積神經網絡
圖神經網絡
注意力機制
Transformer架構
生成對抗網絡
變分自編碼器
實戰四：基于圖神經網絡的鋰離子電池性能預測：構建圖神經網絡模型，選擇合適的架構，如GCN、GAT等，來學習材料圖特征節點和邊的表示，用于預測鋰離子電池性能。
第三天下午：鋰離子電池材料的機器學習應用
鋰離子正極材料的特征工程
實戰五：基于機器學習的鋰金屬正極材料的穩定性預測：選擇合適的機器學習模型，如支持向量機、隨機森林、集成學習、神經網絡，使用適當的評估指標，如準確率、召回率、F1分數等，來衡量模型預測鋰金屬正極材料穩定性的性能。
實戰六：
數據驅動能源材料設計：鋰硫電池催化劑案例研究： 從文獻中構建結構化數據庫，分析鋰硫電池的工作機制、硫還原反應（SRR）動力學及催化劑設計原理，構建從元素性質到結構描述符的特征工程，應用機器學習（隨機森林、集成學習、SISSO）預測材料吸附性能
第四天上午：機器學習與多尺度模擬的結合
基于鋰離子電池的機器學習與多尺度模擬
機器學習、分子動力學模擬與第一性原理計算
機器學習與實驗結合
實戰七：介紹Materials Project數據庫的基本情況和功能，說明如何從該數據庫中提取與鋰離子電池相關的電數據，包括材料的晶體結構、電子結構、電化學性能等信息。
從Materials Project數據庫中提取電池電數據，利用深度學習技術來預測多價金屬離子電池的電極電壓，并開發了一個可解釋的深度學習模型，以加速多價金屬離子電池材料的設計和優化。
實戰八：收集液態電解質添加劑電池系統中的性能數據，包括最終面積比阻抗、阻抗增量和比容量，基于分子結構信息，生成特征向量，通過數據收集、特征工程、模型訓練與驗證等機器學習流程，成功預測出最佳液態電解質添加劑組合。
第四天下午：機器學習在電池管理系統中的應用
機器學習在電池管理系統中的應用介紹
電池管理系統（BMS）的功能與組成
電池充放電管理
電池安全與保護
電池健康狀態的指標
電池老化分析
實戰九：探討如何將物理模型（如電池的電化學模型、熱模型等）與機器學習模型相結合，利用物理模型的先驗知識和機器學習模型的數據驅動能力，提高對電池狀態的預測精度和可靠性，例如通過物理模型提供電池狀態的初始估計，再利用機器學習模型對實際數據進行擬合和修正，實現對電池長期性能和壽命的準確預測。
第五天上午：機器學習在電池壽命預測中的應用
實戰十：收集鋰離子電池在不同充放電條件下的運行數據，包括電壓、電流、溫度、充放電時間等，這些數據是SOC和SOH估計的基礎，通過數據預處理、特征提取等步驟，將數據轉換為適合機器學習模型輸入的格式，提高模型的估計精度。
選擇合適的機器學習模型（如線性回歸、支持向量機、神經網絡等），根據處理后的數據對模型進行訓練，通過交叉驗證等方法對模型的準確性和泛化能力進行評估，選擇最優的模型用于鋰離子電池的SOC和SOH實時估計，通過實例代碼展示模型訓練和評估的過程，分析模型的性能指標和估計結果。
將訓練好的機器學習模型集成到BMS中，實現對鋰離子電池SOC和SOH的實時估計，通過實時監測電池的狀態參數，利用模型進行快速準確的估計，為電池的充放電管理、安全保護和健康狀態評估提供實時數據支持，提高BMS的智能化水平和電池的使用效率。
第五天下午
實戰十一：基于大語言模型（LLM）的文獻v數據自動化提取與應用。重點講解如何利用大語言模型（LLM）與檢索增強生成（RAG）技術，構建自動化信息提取框架，解決科學數據提取耗時耗力的瓶頸。從電池文獻中自動提取關鍵參數（如材料成分、晶體結構、工作電壓等），構建小型材料數據庫。
實例十二：基于大語言模型搭建電池健康狀態（SOH）智能預測系統。利用大語言模型自動化機器學習算法的實施與優化，以實現對鋰電池健康狀態（SOH）的智能預測，通過結構化的提示工程（Prompt Engineering）引導LLM完成自動化機器學習預測過程。基于公開電池數據集對比LLM驅動的模型與傳統方法的性能差異。
專題五：機器學習固態電池
上下滑動查看完整內容
第一天：固態電池基礎與計算模擬實踐
上午：固態電池基礎與機器學習應用概覽
1.1 固態電池核心知識
基本構成：正極、負極、固態電解質、界面。
固態電解質分類（聚合物、氧化物、硫化物）與關鍵性能指標。
核心挑戰：界面穩定性、離子電導率、循環壽命。
案例：商業化固態電池實例與性能瓶頸。
1.2 機器學習在固態電池研發中的作用
傳統研發流程vs. 機器學習加速研發流程。
機器學習在固態電池領域的典型應用場景。
成功案例：機器學習發現新型電解質材料、預測界面穩定性。
1.3 軟件環境配置與驗證
實操： Python環境配置（Anaconda, Jupyter Notebook）。
實操：安裝并測試關鍵庫（Numpy, Pandas, Scikit-learn, Pymatgen, ASE, Matplotlib）。
實操： VASP/LAMMPS環境檢查與示例運行。
實操： 下載課程數據集與示例代碼。
下午：DFT與MD計算實踐
1.4 DFT計算固態電解質性質
快速回顧：DFT基本原理。
實操： VASP輸入文件結構解析（INCAR, POSCAR, KPOINTS, POTCAR）。
實操： 運行VASP計算LLZO固態電解質的晶格常數和形成能。
實操： 使用Pymatgen/ASE讀取VASP輸出文件（OUTCAR, vasprun.xml）。
實操： 使用VESTA可視化晶體結構和電荷密度。
練習：計算不同固態電解質材料的形成能并比較。
1.5 MD模擬離子擴散行為
快速回顧：MD基本原理。
實操： LAMMPS輸入文件結構解析（數據文件、勢函數、模擬參數）。
實操： 運行LAMMPS模擬LLZO中Li離子的擴散。
實操： 使用Python分析MD軌跡：計算均方位移（MSD）和擴散系數。
實操： 使用VMD/Ovito可視化離子擴散軌跡。
練習：改變溫度參數，觀察對離子擴散系數的影響。
第二天：Python數據處理與特征工程實戰
上午：Python科學計算與數據處理
2.1 2.1 Numpy與Pandas實戰
快速回顧：Numpy數組操作基礎。
實操： 使用Numpy處理DFT計算的能量數據（數組創建、索引、運算）。
實操： 使用Pandas讀取固態電解質性能數據集（CSV/Excel）。
實操： 數據清洗：處理缺失值、異常值、重復值。
實操： 數據篩選、分組、統計分析（groupby, describe）。
練習：分析不同類型固態電解質的離子電導率分布。
2.2 數據可視化實戰
實操： Matplotlib繪制散點圖、折線圖、柱狀圖。
實操： Seaborn繪制相關性熱力圖、分布圖、箱線圖。
實操： 可視化固態電解質性能數據：離子電導率vs. 溫度、成分。
實操： 多子圖布局與圖表美化。
練習：創建固態電池材料性能對比圖表。
2.3 機器學習基礎概念
監督學習vs. 無監督學習：回歸、分類、聚類。
訓練集、驗證集、測試集劃分。
模型評估指標：R2, MAE, MSE, RMSE, 準確率, F1-score。
過擬合與欠擬合：如何識別與避免。
下午：固態電池特征工程實戰
2.4 材料結構信息提取
快速回顧：為什么需要特征描述符？
實操： 使用Pymatgen從CIF文件讀取晶體結構。
實操： 提取基本結構信息：晶格參數、空間群、密度、體積。
實操： 使用ASE從POSCAR文件讀取結構并進行操作。
實操： 計算元素組成特征：元素比例、平均原子質量。
練習：批量處理多個固態電解質結構文件并提取特征。
2.5 元素與化學特征構建
實操： 使用Pymatgen獲取元素屬性（電負性、原子半徑、價態）。
實操： 構建組成特征：加權平均、標準差、最大值、最小值。
實操： 構建化學式特征：氧化態、配位數。
實操 ：使用Matminer自動生成材料特征（composition-based features）。
練習：為給定的固態電解質材料構建完整的特征向量。
2.6 從DFT結果提取特征
實操： 使用Pymatgen從vasprun.xml提取能量、應力、力。
實操： 提取電子結構信息：帶隙、態密度、費米能級。
實操： 構建DFT衍生特征：形成能、分解能、電化學窗口。
練習：整合結構特征和DFT特征，構建機器學習數據集。
第三天：機器學習模型構建與性能預測實戰
上午：傳統機器學習模型實戰
3.1 回歸模型預測離子電導率
任務說明：基于固態電解質特征預測離子電導率。
實操： 加載并探索數據集（數據分布、相關性分析）。
實操： 數據預處理：特征標準化/歸一化（StandardScaler, MinMaxScaler）。
實操： 劃分訓練集、驗證集、測試集。
實操： 使用Scikit-learn構建線性回歸模型并訓練。
實操： 使用隨機森林回歸模型并對比性能。
實操： 模型評估：計算MAE, MSE, RMSE, R2。
實操： 可視化預測結果：真實值vs. 預測值散點圖、殘差圖。
實操： 特征重要性分析：哪些特征對離子電導率影響最大？
練習：嘗試支持向量機回歸（SVR）并比較三種模型性能。
3.2 分類模型預測界面穩定性
任務說明：預測電極/電解質界面是否穩定（10分鐘）。
實操： 加載界面穩定性數據集（標簽：穩定/不穩定）。
實操： 數據預處理與類別分布檢查。
實操： 使用Scikit-learn構建邏輯回歸分類模型。
實操： 使用隨機森林分類模型并對比。
實操： 模型評估：準確率、精確率、召回率、F1-score。
實操： 繪制混淆矩陣和ROC曲線。
實操： 處理類別不平衡：SMOTE過采樣技術。
練習：嘗試決策樹和梯度提升模型（XGBoost）。
下午：深度學習模型實戰
3.3 神經網絡基礎與PyTorch/TensorFlow入門
快速回顧：神經網絡基本結構。
實操： PyTorch/TensorFlow張量操作基礎。
實操： 構建簡單的全連接神經網絡（定義層、激活函數）。
實操： 定義損失函數（MSE, CrossEntropy）和優化器（Adam, SGD）。
實操： 訓練循環：前向傳播、反向傳播、參數更新。
實操： 可視化訓練過程：損失曲線、準確率曲線。
3.4 深度學習預測固態電池性能
任務：使用多層感知機（MLP）預測固態電池循環壽命。
實操： 數據準備：加載數據并轉換為PyTorch/TensorFlow格式。
實操： 設計MLP架構：輸入層、隱藏層（2-3層）、輸出層。
實操： 訓練模型并監控驗證集性能。
實操： 超參數調優：學習率、批次大小、隱藏層神經元數量。
實操： 使用早停（Early Stopping）防止過擬合。
實操： 模型評估與可視化預測結果。
練習：嘗試不同的網絡架構和激活函數（ReLU, Tanh, LeakyReLU）。
3.5 模型對比與選擇
實操： 對比傳統機器學習與深度學習模型的性能。
討論：何時使用傳統機器學習？何時使用深度學習？
實操： 模型保存與加載（joblib, pickle, PyTorch save/load）。
練習：為自己的固態電池數據選擇最佳模型。
第四天：材料數據庫應用與高通量篩選實戰
上午：Material Project數據庫與Matminer實戰
4.1 Material Project數據庫應用
快速介紹：Material Project數據庫的價值與應用。
實操： 注冊并獲取MP API密鑰。
實操： 使用MP API查詢固態電解質材料（按化學式、空間群）。
實操： 提取材料的結構、能量、帶隙、形成能等信息。
實操： 批量下載特定類型材料的數據（如含Li的氧化物）。
實操： 將MP數據轉換為Pandas DataFrame格式。
練習：查詢并下載所有LLZO類固態電解質的數據。
4.2 Matminer特征生成實戰
實操： Matminer庫介紹與安裝驗證。
實操： 使用Matminer從化學式生成組成特征（ElementProperty）。
實操： 使用Matminer從結構生成結構特征（SiteStatsFingerprint, StructuralHeterogeneity）。
實操： 使用Matminer生成電子結構特征（BandCenter, Cohesive Energy）。
實操： 批量為MP數據集生成特征矩陣。
實操： 特征選擇：去除低方差特征、相關性分析。
練習：為下載的固態電解質數據生成完整的特征集。
下午：機器學習加速材料篩選實戰
4.3 高通量篩選固態電解質
任務：從MP數據庫中篩選高性能固態電解質候選材料。
實操： 定義篩選標準（高離子電導率、寬電化學窗口、低成本）。
實操： 使用前面訓練的機器學習模型預測MP數據庫材料的性能。
實操： 根據預測結果篩選候選材料（Top 50）。
實操： 可視化篩選結果：性能分布、成分分布。
實操： 對候選材料進行排序和優先級評估。
實操： 導出候選材料列表及其結構文件（CIF）。
練習：調整篩選標準，探索不同的候選材料集。
4.4 界面穩定性預測與組合篩選
快速回顧：界面反應機制與影響因素（10分鐘）。
實操： 構建電極-電解質界面特征描述符。
實操： 使用機器學習模型預測界面形成能。
任務：發現穩定的電極-電解質界面組合。
實操： 構造電極-電解質組合矩陣（如10種電極 × 20種電解質）。
實操： 批量預測所有組合的界面穩定性。
實操： 篩選穩定界面組合（Top 20）。
實操： 可視化界面穩定性矩陣（熱力圖）。
實操： 案例分析：選擇一個穩定組合，分析其結構和化學特性。
練習：結合DFT驗證篩選出的界面組合。
第五天：神經網絡勢函數與多尺度模擬實戰
上午：機器學習勢函數實戰
5.1 神經網絡勢函數基礎
快速回顧：傳統勢函數的局限性（10分鐘）。
神經網絡勢函數（NNP）的基本原理與優勢。
Deepmd-kit與MACE工具介紹。
NNP在固態電池研究中的應用案例。
5.2 Deepmd-kit訓練數據準備
實操： 理解NNP訓練數據格式（能量、力、應力、坐標）。
實操： 從VASP DFT計算結果提取訓練數據。
實操： 使用dpdata庫轉換VASP輸出為Deepmd-kit格式。
實操 ：數據集劃分：訓練集、驗證集、測試集。
實操： 數據集質量檢查：能量分布、力分布、結構多樣性。
練習：為LLZO固態電解質準備完整的訓練數據集。
5.3 Deepmd-kit模型訓練
實操： 理解Deepmd-kit配置文件結構（input.json）。
實操： 設置模型參數：網絡架構、訓練參數、截斷半徑。
實操： 啟動模型訓練并監控訓練過程。
實操： 評估模型準確性：能量誤差、力誤差與DFT對比。
實操： 模型優化：調整超參數提高精度。
練習：訓練不同配置的NNP模型并比較性能。
下午：NNP加速MD模擬與綜合應用
5.4 基于NNP的大規模MD模擬
實操： 將訓練好的Deepmd-kit模型集成到LAMMPS。
實操： 設置基于NNP的LAMMPS輸入文件。
實操： 運行大規模MD模擬（更大體系、更長時間）。
實操： 分析MD模擬結果：離子擴散系數、徑向分布函數。
實操： 可視化離子擴散軌跡和結構演化。
實操： 對比傳統勢函數MD與NNP-MD的結果差異。
練習：使用NNP-MD研究不同溫度下的離子輸運行為。
5.5 多尺度研究策略綜合實踐
案例：完整的固態電池材料研發流程演示。
實操： DFT計算 → 特征提取 → 機器學習預測 → 高通量篩選。
實操： NNP訓練 → 大規模MD模擬 → 性能評估。
實操： 整合多種方法的結果，形成材料設計建議。
討論：如何將計算預測結果與實驗驗證結合。
5.6 課程總結與未來展望
回顧：五天課程核心內容與技能總結。
固態電池材料研發的前沿趨勢：
自動化工作流（AiiDA, FireWorks）。
主動學習（Active Learning）加速材料發現。
AI驅動的實驗設計與機器人實驗室。
大語言模型在材料科學中的應用。
學員項目討論：如何將所學應用到實際研究中。
Q&A與課程反饋。
01
往期學員反饋
02
課程模式
1、線上授課時間和地點自由，建立專業課程群進行實時答疑解惑。
2、理論＋實操授課方式，由淺入深式講解，結合大量實戰案例與項目演練，聚焦人工智能技術在第一性原理、電池、催化劑領域的最新研究進展。
3、課前發送全部學習資料（上課所有使用的軟件、包括豐富的PPT，大量的代碼數據集資源）課程提供全程答疑解惑。
4、定期更新的前沿案例，由淺入深式講解，課后提供無限次回放視頻，免費贈送二次學習，永不解散的課程群答疑服務，可以與相同領域內的老師同學互動交流問題，讓求知的路上不再孤單！
03
增值服務
1、凡參加人員將獲得本次課程學習資料及所有案例模型文件；
2、課程結束可獲得本次所學專題全部回放視頻；
3、課程會定期更新前沿內容，參加本次課程的學員可免費參加一次本單位后期舉辦的相同專題課程（任意一期）
課程時間
01
機器學習鋰離子電池
2026.04.18----2026.04.19（上午 9:00-11:30 下午 13:30-17:00）
2026.04.21----2026.04.22（晚上 19:00-22:00）
2026.04.25----2026.04.26（上午 9:00-11:30 下午 13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
02
機器學習固態電池
2026.04.04---2026.04.05（上午09:00-11:30下午13:30-17:00）
2026.04.06---2026.04.07（晚上19:00-22:00）
2026.04.11---2026.04.12（上午09:00-11:30下午13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
03
機器學習催化劑設計
2026.03.28----2026.03.29（上午 9:00-11:30 下午 13:30-17:00）
2026.04.01----2026.04.02（晚上 19:00-22:00）
2026.04.11----2026.04.12（上午 9:00-11:30 下午 13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放和課程群答疑）
04
深度學習第一性原理
2026.04.20---2026.04.23（晚上19:00-22:00）
2026.04.25---2026.04.26（上午09:00-11:30下午13:30-17:00）
2026.04.28---2026.04.29（晚上19:00-22:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放和課程群答疑）
05
人工智能與MOF設計實戰
2026.04.18---2026.04.19（上午09.00-11.30下午13.30-17.00）
2026.04.25---2026.04.26（上午09:00-11:30下午13:30-17:00）
2026.04.27---2026.04.28（晚上19:00-22:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
01
報名費用
機器學習鋰離子電池，機器學習固態電池，機器學習催化劑設計，深度學習第一性原理，人工智能與MOF設計實戰
每人每班￥4980元（包含培訓費、資料費、提供課后全程回放資料）
早鳥價：提前報名繳費學員可得300元優惠（僅限前15名）
套餐價：
報二贈一：報任意兩門直播專題贈送一門任選直播專題
兩門同報：同時報名兩門課程￥9080元
三門同報：同時報名三門課程￥12880元
四門同報：同時報名四門課程￥16880元（任選五門直播授課）
年報優惠：可免費學習一年特惠：18880元（可免費學習一整年本單位舉辦的任意專題）
報名費用可開具正規報銷發票及提供相關繳費證明、邀請函，可提前開具報銷發票、文件用于報銷
02
報名贈送往期視頻專題
報一贈一
報三贈五
回放一：
回放二：
回放三：
回放四：
回放五：
03
報名咨詢方式
報名流程：掃碼報名→管理員對接→發送正式培訓（會議）邀請函→繳費及開具發票。
聯系人：張老師
咨詢電話｜13141346157（微信同號）
郵箱 | 13141346157@qq.com
認準官方網址：http://www.dxianai.com
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
