由化學(xué)成分混合物組成的配方對于廣泛的材料科學(xué)應(yīng)用至關(guān)重要。這些混合物具有多種化學(xué)成分，具有明確定義的成分信息，但它們的配方特性很難先驗(yàn)預(yù)測，因?yàn)樗鼈儊碜远喾N成分之間產(chǎn)生的不明顯的分子間相互作用，這些相互作用在很大程度上取決于分子結(jié)構(gòu)和成分。因此，調(diào)整化學(xué)成分和成分以獲得所需的配方特性通常是通過試錯實(shí)驗(yàn)進(jìn)行的，考慮到可能的化學(xué)結(jié)構(gòu)和成分的設(shè)計空間很大，這是具有挑戰(zhàn)性的。
作為實(shí)驗(yàn)的替代方案，使用經(jīng)典分子動力學(xué) （MD） 模擬模擬分子之間所有可能的相互作用是計算多組分系統(tǒng)特性的一種很有前途的方法。例如，MD 仿真已被用于研究共聚物共混物對聚合物性能的影響，反應(yīng)性助溶劑和表面活性劑對化妝品特性的影響.MD 模擬不僅在準(zhǔn)確捕捉實(shí)驗(yàn)趨勢方面取得了成功，但它們也為導(dǎo)致多組分系統(tǒng)本體特性的潛在機(jī)制提供了物理見解，例如相分離或溶劑化行為.盡管 MD 取得了重大進(jìn)步，但 MD 模擬配方系統(tǒng)的效用受到系統(tǒng)中原子數(shù)量的限制，因此具有超過 ~10 個不同組分的大型多組分系統(tǒng)模擬計算成本高昂，但在油漆、香水或燃料等材料應(yīng)用中非常普遍.
數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)建模的最新發(fā)展可以將化學(xué)結(jié)構(gòu)映射到整體特性，這表明在加速化學(xué)發(fā)現(xiàn)方面有很大的希望，即定量結(jié)構(gòu)-屬性關(guān)系 （QSPR）QSPR 建模主要集中在單分子結(jié)構(gòu)特性預(yù)測上，其中使用專家定義的化學(xué)信息學(xué)描述符或圖形表示來訓(xùn)練機(jī)器學(xué)習(xí)模型。在過去十年中，單分子的 QSPR 方法取得了巨大成功，尤其是在小分子藥物發(fā)現(xiàn)領(lǐng)域.然而，為配方系統(tǒng)開發(fā)準(zhǔn)確的 QSPR 模型尚未得到充分探索。最近的文獻(xiàn)表明，將機(jī)器學(xué)習(xí)應(yīng)用于多組分系統(tǒng)取得了一些成功，即使用各種機(jī)器學(xué)習(xí)方法來預(yù)測熱力學(xué)特性，變分自動編碼器預(yù)測成分成分和圖形神經(jīng)網(wǎng)絡(luò)來預(yù)測各種配方特性，例如二元混合物的粘度、電池性能或染料的光學(xué)特性.然而，配方系統(tǒng)（即配方-性能關(guān)系）的 QSPR 模型的開發(fā)在很大程度上受到缺乏公開可用的一致數(shù)據(jù)集來評估這些系統(tǒng)的阻礙，這使得配方-性能關(guān)系的嚴(yán)格基準(zhǔn)測試變得困難。給定足夠大的配方數(shù)據(jù)集，我們可以開始調(diào)整準(zhǔn)確的機(jī)器學(xué)習(xí)模型，這些模型可以處理從多種成分和不同成分聚合的化學(xué)信息。
01
機(jī)器學(xué)習(xí)材料專題
近年來，機(jī)器學(xué)習(xí)技術(shù)的迅猛發(fā)展為材料科學(xué)領(lǐng)域注入了革命性動力，推動研究范式從傳統(tǒng)“試錯法”向數(shù)據(jù)驅(qū)動模式轉(zhuǎn)型。通過高效挖掘材料“成分-結(jié)構(gòu)-性能”間的復(fù)雜關(guān)聯(lián)規(guī)律，機(jī)器學(xué)習(xí)顯著加速了新材料的定向設(shè)計與性能優(yōu)化進(jìn)程，成為材料基因工程與高通量計算的核心技術(shù)支柱。在原子與微觀尺度建模方面，核心進(jìn)展聚焦分子與晶體結(jié)構(gòu)的智能化表征技術(shù)，系統(tǒng)解析SMILES字符串、庫倫矩陣等分子描述符的構(gòu)建方法，并結(jié)合Materials Project、COD等數(shù)據(jù)庫，利用Pymatgen工具包實(shí)現(xiàn)晶體能帶結(jié)構(gòu)、彈性張量等跨尺度性質(zhì)的自動化提取?？绯叨刃阅茴A(yù)測則依托集成學(xué)習(xí)與核函數(shù)映射技術(shù)，例如通過隨機(jī)森林的特征重要性分析揭示雙金屬ORR催化活性的關(guān)鍵電子描述符，利用支持向量機(jī)（SVM）的高斯核變換解決高熵合金相態(tài)分類中的非線性可分問題，以及基于決策樹的可解釋性框架優(yōu)化儲氫合金成分設(shè)計。在工程應(yīng)用層面，機(jī)器學(xué)習(xí)與增材制造的深度協(xié)同，通過動態(tài)調(diào)整加工參數(shù)和智能缺陷識別技術(shù)，大幅提升了復(fù)雜結(jié)構(gòu)材料的制備精度。與此同時，超輕超硬材料的突破性設(shè)計（如承重能力達(dá)自重百萬倍的新材料）得益于算法驅(qū)動的元素組合篩選與原子排列優(yōu)化策略。材料研究的“第四范式”正加速形成：大語言模型（如DeepSeek）通過文獻(xiàn)挖掘與實(shí)驗(yàn)方案生成賦能材料發(fā)現(xiàn)，量子計算與自主實(shí)驗(yàn)系統(tǒng)的深度融合將進(jìn)一步突破復(fù)雜材料體系的探索極限。
02
深度學(xué)習(xí)材料專題
材料深度學(xué)習(xí)領(lǐng)域正經(jīng)歷著從數(shù)據(jù)驅(qū)動到物理增強(qiáng)的范式躍遷，其核心在于突破傳統(tǒng)材料研發(fā)的"經(jīng)驗(yàn)試錯"桎梏，構(gòu)建起"計算預(yù)測-自主實(shí)驗(yàn)-動態(tài)優(yōu)化"的智能閉環(huán)?；趫D算法優(yōu)化材料基因組合，為超導(dǎo)材料與拓?fù)浣^緣體的按需設(shè)計開辟新路徑。這一技術(shù)范式革新不僅推動材料研發(fā)從“經(jīng)驗(yàn)驅(qū)動”向“預(yù)測驅(qū)動”轉(zhuǎn)型，更在核聚變堆材料、固態(tài)電池電解質(zhì)等戰(zhàn)略領(lǐng)域催生顛覆性解決方案。
03
深度學(xué)習(xí)超材料設(shè)計專題
以數(shù)據(jù)為載體的計算機(jī)革命為彈性波超材料設(shè)計帶來了前所未有的創(chuàng)新方法。通過建立函數(shù)替代模型，基于人工神經(jīng)網(wǎng)絡(luò)架構(gòu)的深度學(xué)習(xí)算法在超材料設(shè)計過程中展現(xiàn)出了顯著的快速性與準(zhǔn)確性，成功彌補(bǔ)了傳統(tǒng)設(shè)計方法（如試錯法、與數(shù)值分析結(jié)合的優(yōu)化算法等）的不足。由于超材料特征參數(shù)與其性質(zhì)（如帶隙、能帶曲線、傳遞系數(shù)等）存在映射規(guī)律，無論這個規(guī)律有多復(fù)雜，深度學(xué)習(xí)模型都可以模擬。所以，一般而言，只要提供足夠的數(shù)據(jù)，并構(gòu)建合理的深度學(xué)習(xí)模型，超材料的前向預(yù)測就能夠?qū)崿F(xiàn)。基于深度學(xué)習(xí)的超材料參數(shù)設(shè)計方法也已經(jīng)取得了較大的發(fā)展，出現(xiàn)了如MLP、MLP+GA和TNN等優(yōu)秀的模型，并且大量研究成果表明了這幾類模型的高效性。此外，拓?fù)湓O(shè)計具有設(shè)計域廣的優(yōu)勢，但是由于拓?fù)錁?gòu)型的高維性和離散性，超材料拓?fù)湓O(shè)計的難度大大增加。為此，學(xué)者們開發(fā)了基于CGAN、CVAE以及VAE-based等的深度學(xué)習(xí)模型，以降低拓?fù)湓O(shè)計難度，實(shí)現(xiàn)更廣域的超材料設(shè)計。綜上所述，基于深度學(xué)習(xí)的超材料研究已經(jīng)取得了較大的進(jìn)展，形成了較為完備的體系。深度學(xué)習(xí)在超材料逆向設(shè)計中具有快速精確的設(shè)計能力、高效的數(shù)據(jù)處理能力、強(qiáng)大的泛化能力、物理洞察的提供以及靈活性和可擴(kuò)展性等優(yōu)勢。這些優(yōu)勢使得深度學(xué)習(xí)成為超材料逆向設(shè)計中不可或缺的工具和方法。
專題一
（線上直播 提供全程回放）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題二
（線上直播 提供全程回放）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題三
（線上直播 提供全程回放）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題四
（線上直播 提供全程回放）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題五
（線上直播 提供全程回放）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題六
（視頻專題 報名即贈）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
專題七
（視頻專題 報名即贈）
（詳情內(nèi)容點(diǎn)擊上方名稱查看）
講師介紹
機(jī)器學(xué)習(xí)材料專題和深度學(xué)習(xí)材料專題主講老師陳老師來自國內(nèi)“985工程”頂尖高校材料物理與化學(xué)專業(yè)，長期從事材料科學(xué)、機(jī)器學(xué)習(xí)，未來互聯(lián)網(wǎng)與命名數(shù)據(jù)網(wǎng)絡(luò)，量子力學(xué)等領(lǐng)域。在多個國際高水平期刊上發(fā)表 SCI檢索論文15余篇。國家發(fā)明專利一項(xiàng)，他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識和計算方法講解得清晰易懂，受到學(xué)員們的一致認(rèn)可和高度評價！
深度學(xué)習(xí)超材料逆向設(shè)計主講老師來自國家985重點(diǎn)高校，固體力學(xué)專業(yè)，在深度學(xué)習(xí)輔助的彈性波超材料逆向設(shè)計研究領(lǐng)域深耕多年，具有豐富的經(jīng)驗(yàn)和扎實(shí)的基礎(chǔ)。以第一作者或通訊作者在CMAME、IJMS、ES等行業(yè)頂級期刊發(fā)表論文8篇以及其它國際知名期刊7篇，共計15篇，參編英文書籍1部，參與過多項(xiàng)國家級項(xiàng)目，擔(dān)任JSV、IJAM和EML等多個雜志的審稿人。
學(xué)習(xí)目標(biāo)
機(jī)器學(xué)習(xí)材料專題：內(nèi)容涵蓋了從基礎(chǔ)Python編程到常見的機(jī)器學(xué)習(xí)算法，并通過實(shí)際案例分析與項(xiàng)目實(shí)踐，幫助學(xué)員理解并掌握如何將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于材料與化學(xué)領(lǐng)域。課程設(shè)計注重理論與實(shí)踐的結(jié)合，逐步深入，讓學(xué)員在學(xué)習(xí)過程中不僅能夠掌握相關(guān)算法，還能親自動手解決材料科學(xué)中的實(shí)際問題。
1、掌握Python編程基礎(chǔ)及其在科學(xué)計算中的應(yīng)用：學(xué)會利用Python進(jìn)行數(shù)據(jù)處理、模型構(gòu)建與可視化，熟悉NumPy、Pandas等工具。
2、理解材料與化學(xué)中的機(jī)器學(xué)習(xí)方法：掌握線性回歸、邏輯回歸、決策樹、支持向量機(jī)等常見算法的基本原理與應(yīng)用。
3、應(yīng)用機(jī)器學(xué)習(xí)解決材料科學(xué)問題：通過項(xiàng)目實(shí)踐，深入理解數(shù)據(jù)采集、特征選擇、模型訓(xùn)練與評估等步驟，學(xué)會使用sklearn等工具庫完成任務(wù)。
4、了解材料數(shù)據(jù)的特征工程與數(shù)據(jù)庫應(yīng)用：學(xué)習(xí)如何表示分子結(jié)構(gòu)與晶體結(jié)構(gòu)，并了解常見材料數(shù)據(jù)庫的使用方法。
5、提升實(shí)戰(zhàn)能力并引導(dǎo)深入學(xué)習(xí)：通過多樣化的項(xiàng)目實(shí)踐案例，鞏固課程內(nèi)容，為后續(xù)深度學(xué)習(xí)等更復(fù)雜算法的學(xué)習(xí)打下基礎(chǔ)。
深度學(xué)習(xí)材料專題：課程覆蓋從基礎(chǔ)的深度學(xué)習(xí)概念到材料特征工程，再到材料基因組學(xué)與常見數(shù)據(jù)庫的使用，以及多種深度學(xué)習(xí)算法的實(shí)踐應(yīng)用。課程注重實(shí)際案例和工具庫的應(yīng)用，使學(xué)習(xí)者能夠在材料研究中運(yùn)用深度學(xué)習(xí)方法解決問題。
1、理解深度學(xué)習(xí)與材料科學(xué)的結(jié)合點(diǎn)：掌握深度學(xué)習(xí)在材料特征工程和化學(xué)中的應(yīng)用，了解當(dāng)前研究的前沿方向。
2、熟練使用材料數(shù)據(jù)庫與工具庫：學(xué)習(xí)材料基因組的基本方法，并熟練掌握Material Project、Pymatgen、ASE等常見數(shù)據(jù)庫及工具庫的使用。
3、掌握常見深度學(xué)習(xí)算法的原理與應(yīng)用：深入理解卷積神經(jīng)網(wǎng)絡(luò)、時序神經(jīng)網(wǎng)絡(luò)、生成模型及圖神經(jīng)網(wǎng)絡(luò)的工作原理及其在材料研究中的具體應(yīng)用。
4、培養(yǎng)實(shí)戰(zhàn)能力：通過動手實(shí)踐，包括深度學(xué)習(xí)框架Pytorch和Pytorch Lightning的使用、卷積神經(jīng)網(wǎng)絡(luò)在材料圖像識別中的應(yīng)用、基于Transformer的屬性預(yù)測模型構(gòu)建、生成對抗網(wǎng)絡(luò)和變分自編碼器在材料生成中的應(yīng)用等，提升解決材料研究實(shí)際問題的能力。
深度學(xué)習(xí)超材料設(shè)計專題：
1. 學(xué)習(xí)彈性波超材料的基本概念與計算方法
2. 學(xué)習(xí)深度學(xué)習(xí)算法以及基于Tensorflow框架的模型搭建
3. 學(xué)習(xí)深度學(xué)習(xí)在彈性波超材料領(lǐng)域的研究現(xiàn)狀
4. 學(xué)習(xí)基于COMSOL with Matlab的彈性波超材料數(shù)據(jù)集批量自動生成方法（分享課程涉及的所有數(shù)據(jù)集及代碼）
5. 學(xué)習(xí)基于深度學(xué)習(xí)的彈性波超材料正向預(yù)測、參數(shù)設(shè)計與拓?fù)湓O(shè)計的原理以及實(shí)現(xiàn)方式（分享課程涉及的所有代碼）
專題一：機(jī)器學(xué)習(xí)材料專題
第一天：材料機(jī)器學(xué)習(xí)基礎(chǔ)與Python環(huán)境配置
第一天將系統(tǒng)講解機(jī)器學(xué)習(xí)在材料科學(xué)中的應(yīng)用背景與Python編程基礎(chǔ)。分為如下幾個部分：首先概述機(jī)器學(xué)習(xí)在材料與化學(xué)領(lǐng)域的核心價值，涵蓋材料發(fā)現(xiàn)、性能預(yù)測等應(yīng)用場景；其次將指導(dǎo)學(xué)員完成Vscode、Anaconda開發(fā)環(huán)境搭建，通過變量定義、控制流語句等基礎(chǔ)語法教學(xué)，掌握函數(shù)封裝、類與對象構(gòu)建及模塊化編程的進(jìn)階技巧；最后聚焦科學(xué)數(shù)據(jù)處理工具鏈，系統(tǒng)學(xué)習(xí)NumPy矩陣運(yùn)算、Pandas數(shù)據(jù)分析、Matplotlib/Seaborn可視化技術(shù)及文件系統(tǒng)操作，為材料數(shù)據(jù)建模奠定工程基礎(chǔ)。
【理論內(nèi)容】
1. 機(jī)器學(xué)習(xí)概述
2. 材料與化學(xué)中的常見機(jī)器學(xué)習(xí)方法
3. 應(yīng)用前沿
【實(shí)操內(nèi)容】
1)Python基礎(chǔ)
1)開發(fā)環(huán)境搭建
2)變量和數(shù)據(jù)類型
3)控制流
2)Python基礎(chǔ)（續(xù)）
1)函數(shù)
2)類和對象
3)模塊
3. Python科學(xué)數(shù)據(jù)處理
1)NumPy
2)Pandas
3)繪圖可視化
4)文件系統(tǒng)
第二天：材料機(jī)器學(xué)習(xí)基礎(chǔ)算法與催化活性預(yù)測實(shí)戰(zhàn)
第二天將深入解析初級機(jī)器學(xué)習(xí)算法的數(shù)學(xué)原理及其在材料科學(xué)中的典型應(yīng)用場景。分為如下幾個部分：首先系統(tǒng)講解線性模型家族的理論體系，從線性回歸的解析解推導(dǎo)、邏輯回歸的交叉熵?fù)p失函數(shù)，拓展到Softmax回歸在多分類任務(wù)中的概率建模機(jī)制，著重分析激活函數(shù)在非線性映射中的關(guān)鍵作用；接著引入感知機(jī)模型作為神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)原型，通過回歸與分類任務(wù)的對比，揭示機(jī)器學(xué)習(xí)算法中最核心的兩類任務(wù)的區(qū)別。最后以CO2催化活性預(yù)測為切入點(diǎn)，在解析催化活性與電子結(jié)構(gòu)特征的關(guān)聯(lián)規(guī)律中，完整演練材料機(jī)器學(xué)習(xí)項(xiàng)目的標(biāo)準(zhǔn)流程：使用金屬氧化物催化劑數(shù)據(jù)集，結(jié)合Scikit-learn庫實(shí)現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化處理、特征工程構(gòu)建、模型選擇、超參數(shù)網(wǎng)格搜索與ROC曲線評估。
【理論內(nèi)容】
1. 線性回歸
1)線性回歸的原理
2)線性回歸的應(yīng)用
2. 邏輯回歸
1)邏輯回歸的原理
2)邏輯回歸的應(yīng)用
3. Softmax回歸
1)Softmax回歸的原理
2)Softmax回歸的應(yīng)用
4. 感知機(jī)（淺層神經(jīng)網(wǎng)絡(luò)）
1)感知機(jī)的原理
2)使用感知機(jī)進(jìn)行回歸
3)使用感知機(jī)進(jìn)行分類
【項(xiàng)目實(shí)操內(nèi)容】
1. 機(jī)器學(xué)習(xí)對CO2催化活性的預(yù)測｜機(jī)器學(xué)習(xí)入門簡單案例 【文章】
1)機(jī)器學(xué)習(xí)材料與化學(xué)應(yīng)用的典型步驟
a)數(shù)據(jù)采集和清洗
b)特征選擇和模型選擇
c)模型訓(xùn)練和測試
d)模型性能評估和優(yōu)化
2)sklearn庫介紹
a)sklearn庫的基本用法
b)sklearn庫的算法API
c)sklearn庫的模型性能評估
第三天：材料機(jī)器學(xué)習(xí)進(jìn)階算法與項(xiàng)目實(shí)戰(zhàn)
第三天將系統(tǒng)剖析機(jī)器學(xué)習(xí)中的進(jìn)階算法的數(shù)學(xué)框架及其在材料復(fù)雜體系中的建模策略。分為如下幾個部分：首先從決策樹的信息增益分裂準(zhǔn)則切入，對比ID3/C4.5/CART算法的特征選擇差異，并引申至集成學(xué)習(xí)框架中Bagging（隨機(jī)森林）與Boosting（XGBoost）對模型偏差-方差權(quán)衡的優(yōu)化機(jī)制；接著解析樸素貝葉斯基于特征條件獨(dú)立假設(shè)的概率建模方法，及其在材料高通量篩選中的計算效率優(yōu)勢；最后深入探討支持向量機(jī)的核函數(shù)映射技巧，通過可視化手段對比線性核、多項(xiàng)式核與高斯核在材料相態(tài)分類任務(wù)中的決策邊界差異。
實(shí)戰(zhàn)環(huán)節(jié)聚焦材料多尺度特性預(yù)測：在雙金屬ORR催化活性預(yù)測項(xiàng)目中，通過構(gòu)建合金組分-電子結(jié)構(gòu)特征矩陣，運(yùn)用隨機(jī)森林的變量重要性分析篩選關(guān)鍵描述符，結(jié)合Adaboost算法提升預(yù)測精度；在高熵合金相態(tài)分類任務(wù)中，基于原子半徑、電負(fù)性等特征，演示支持向量機(jī)如何通過核函數(shù)變換處理非線性可分?jǐn)?shù)據(jù)，并可視化決策超平面；同時拓展至生物炭材料回歸預(yù)測，利用支持向量回歸（SVR）分析孔隙率-吸附性能的定量關(guān)系。課程將結(jié)合Scikit-learn工具鏈，貫穿特征標(biāo)準(zhǔn)化、交叉驗(yàn)證、混淆矩陣評估等工業(yè)級實(shí)踐流程。
【理論內(nèi)容】
1. 決策樹
1)決策樹的原理
2)決策樹的應(yīng)用
2. 集成學(xué)習(xí)
1)集成學(xué)習(xí)的原理
2)集成學(xué)習(xí)的方法和應(yīng)用
3. 樸素貝葉斯
1)樸素貝葉斯的原理
2)樸素貝葉斯的應(yīng)用
4. 支持向量機(jī)
1)支持向量機(jī)的原理
2)支持向量機(jī)的應(yīng)用
【項(xiàng)目實(shí)操內(nèi)容】
1. 利用集成學(xué)習(xí)預(yù)測雙金屬ORR催化劑活性【文章】
1)Sklearn中的集成學(xué)習(xí)算法
2)雙金屬ORR催化活性預(yù)測實(shí)戰(zhàn)
a)數(shù)據(jù)集準(zhǔn)備
b)特征篩選
c)模型訓(xùn)練
d)模型參數(shù)優(yōu)化
2. 使用支持向量機(jī)預(yù)測高熵合金相態(tài)【文章】
1)支持向量機(jī)的可視化演示
a)繪制決策邊界
b)查看不同核函數(shù)的區(qū)別
2)支持向量機(jī)預(yù)測高熵合金相態(tài)（分類）
a)數(shù)據(jù)集準(zhǔn)備
b)數(shù)據(jù)預(yù)處理
c)特征工程
d)模型訓(xùn)練及預(yù)測
3)支持向量機(jī)預(yù)測生物炭材料廢水處理性能（回歸）
a)數(shù)據(jù)集準(zhǔn)備
b)數(shù)據(jù)預(yù)處理
c)模型訓(xùn)練及預(yù)測
第四天：材料無監(jiān)督學(xué)習(xí)與分子特征工程實(shí)踐
第四天將系統(tǒng)構(gòu)建材料數(shù)據(jù)表征體系與無監(jiān)督分析技術(shù)棧。分為如下幾個部分：首先解析無監(jiān)督學(xué)習(xí)的核心范式，對比K-Means聚類與DBSCAN密度聚類在材料相組成識別中的差異，詳解常用的無監(jiān)督學(xué)習(xí)技術(shù)在材料高通量篩選中的可視化應(yīng)用；接著深入探討材料特征工程的數(shù)學(xué)表達(dá)方法；最后結(jié)合Materials Project、COD等材料數(shù)據(jù)庫，演示通過Pymatgen工具包自動化獲取晶體能帶結(jié)構(gòu)、彈性張量等關(guān)鍵性質(zhì)數(shù)據(jù)。
實(shí)戰(zhàn)環(huán)節(jié)聚焦材料多模態(tài)數(shù)據(jù)處理：在石墨烯樣品表征任務(wù)中，通過處理二維電鏡圖像，運(yùn)用無監(jiān)督聚類算法實(shí)現(xiàn)樣品質(zhì)量分級；針對高能材料分子性質(zhì)預(yù)測，構(gòu)建從SMILES字符串到3D分子坐標(biāo)的全流程特征工程：使用RDKit生成初始構(gòu)型，通過ASE優(yōu)化分子結(jié)構(gòu)，計算庫倫矩陣與原子極化張量作為量子化學(xué)特征，對比Morgan指紋與MACCS鍵合描述符對機(jī)器學(xué)習(xí)模型性能的影響。
【理論內(nèi)容】
1. 無監(jiān)督學(xué)習(xí)
1)什么是無監(jiān)督學(xué)習(xí)
2)無監(jiān)督學(xué)習(xí)算法-聚類
3)無監(jiān)督學(xué)習(xí)算法-降維
2. 材料與化學(xué)數(shù)據(jù)的特征工程
1)分子結(jié)構(gòu)表示
2)晶體結(jié)構(gòu)表示
3. 數(shù)據(jù)庫
1)材料數(shù)據(jù)庫介紹
2)Pymatgen介紹
【項(xiàng)目實(shí)操內(nèi)容】
1. 無監(jiān)督學(xué)習(xí)在材料表征中應(yīng)用【文章】
1)K-Means聚類算法
2)石墨烯樣品數(shù)據(jù)集準(zhǔn)備
3)二維電鏡圖像處理
4)聚類及統(tǒng)計
2. 利用機(jī)器學(xué)習(xí)預(yù)測高能材料分子性質(zhì)【文章】
1)高能分子數(shù)據(jù)集準(zhǔn)備
2)從SMILES生成分子坐標(biāo)
3)從分子坐標(biāo)計算庫倫矩陣
4)測試不同分子指紋方法
5)比較不同特征化方法
6)模型性能評估
第五天：材料機(jī)器學(xué)習(xí)項(xiàng)目實(shí)踐專題
第五天將深度融合前沿模型技術(shù)與材料多尺度特性預(yù)測場景。分為如下幾個部分：首先系統(tǒng)解析大語言模型在材料研究中的創(chuàng)新應(yīng)用范式，重點(diǎn)講解DeepSeek的transformer架構(gòu)原理及其在材料文獻(xiàn)挖掘、實(shí)驗(yàn)方案生成等場景的提示詞工程技巧；接著深入探討更多的材料機(jī)器學(xué)習(xí)的常見技術(shù)路徑，比如通過決策樹的特征分裂可視化與SHAP值分析，揭示材料性能與微觀結(jié)構(gòu)的內(nèi)在關(guān)聯(lián)規(guī)律；最后為構(gòu)建深度學(xué)習(xí)技術(shù)棧打基礎(chǔ)，對比PyTorch動態(tài)計算圖與Scikit-learn靜態(tài)架構(gòu)在復(fù)雜材料建模中的工程差異。
【項(xiàng)目實(shí)操內(nèi)容】
1. DeepSeek提示詞工程和落地場景
1)DeepSeek簡介
2)大語言模型和DeepSeek原理
3)DeepSeek提示詞工程和落
2.利用機(jī)器學(xué)習(xí)加速發(fā)現(xiàn)耐高溫氧化的合金材料【文章】
1)合金材料數(shù)據(jù)集準(zhǔn)備
2)數(shù)據(jù)預(yù)處理
3)特征構(gòu)建和特征分析
4)多種模型訓(xùn)練
5)使用訓(xùn)練好的模型進(jìn)行推理
3.決策樹（可解釋性機(jī)器學(xué)習(xí)）預(yù)測AB2合金的儲氫性能【文章】
1)儲氫合金材料數(shù)據(jù)集準(zhǔn)備
2)決策樹基本流程
3)動手建立一棵樹
4)決策樹剪枝
5)決策過程可視化和特征重要性分析
6)分類決策樹和回歸決策樹的區(qū)別
4.分子滲透性分類預(yù)測
1)使用定量的1D分子描述符和不同的機(jī)器學(xué)習(xí)模型進(jìn)行QSAR模型的訓(xùn)練和預(yù)測
2)使用定性的2D分子描述符和不同的機(jī)器學(xué)習(xí)模型進(jìn)行QSAR模型的訓(xùn)練和預(yù)測
3)比較不同分子描述方法對QSAR模型性能的影響
5.多層感知機(jī)預(yù)測單晶合金晶格錯配度【文章】
1)PyTorch與Scikit-learn中多層感知機(jī)的區(qū)別
2)使用PyTorch構(gòu)建多層感知機(jī)
3)訓(xùn)練PyTorch多層感知機(jī)模型預(yù)測單晶合金晶格錯配度
4)PyTorch多層感知機(jī)模型參數(shù)優(yōu)化
專題二：深度學(xué)習(xí)材料專題
第一天：深度學(xué)習(xí)與材料特征工程
第一天將系統(tǒng)介紹深度學(xué)習(xí)在材料科學(xué)領(lǐng)域的應(yīng)用范式與特征工程方法，并結(jié)合主流框架開展實(shí)踐訓(xùn)練。分為如下幾個部分：首先從理論層面講解深度學(xué)習(xí)技術(shù)的核心原理及其在材料研發(fā)中的價值，重點(diǎn)解析材料特征工程對模型性能的關(guān)鍵作用；接著將概述材料與化學(xué)領(lǐng)域常用的深度學(xué)習(xí)方法體系，包括圖神經(jīng)網(wǎng)絡(luò)、生成模型等技術(shù)路線，并延伸至材料發(fā)現(xiàn)、性能預(yù)測等前沿應(yīng)用場景。
在實(shí)踐環(huán)節(jié)，將分階段開展PyTorch框架的專項(xiàng)訓(xùn)練：首先通過模型構(gòu)建范式講解幫助學(xué)員掌握張量運(yùn)算、自動微分等基礎(chǔ)模塊，指導(dǎo)學(xué)員搭建面向材料屬性預(yù)測的定制化模型；隨后引入PyTorch Lightning高階框架，重點(diǎn)演示模型訓(xùn)練流程優(yōu)化方法，包括多GPU并行加速、早停機(jī)制設(shè)置、最優(yōu)檢查點(diǎn)保存等工程化技巧，使學(xué)員掌握工業(yè)級深度學(xué)習(xí)模型的開發(fā)部署能力。
【理論內(nèi)容】
1.深度學(xué)習(xí)概述
2.材料特征工程
3. 材料與化學(xué)中的常見深度學(xué)習(xí)方法
4. 應(yīng)用前沿
【實(shí)操內(nèi)容】
1.Pytorch深度學(xué)習(xí)框架實(shí)操
1)認(rèn)識Pytorch
2)Pytorch深度學(xué)習(xí)模型的建立范式
3)為預(yù)測任務(wù)建立Pytorch深度學(xué)習(xí)模型
2.Pytorch Lightning框架實(shí)操
1)使用Pytorch Lightning訓(xùn)練模型
2)設(shè)置最佳保存點(diǎn)和早停
第二天：材料基因組工具鏈與多尺度數(shù)據(jù)庫應(yīng)用
第二天將系統(tǒng)解析材料基因組計劃的實(shí)施框架與核心工具鏈，結(jié)合多尺度材料數(shù)據(jù)庫開展全流程數(shù)據(jù)工程訓(xùn)練。分為如下幾個部分：首先從理論層面闡述材料基因組"數(shù)據(jù)驅(qū)動發(fā)現(xiàn)"的科研范式革新，詳解高通量計算、機(jī)器學(xué)習(xí)輔助設(shè)計、自動化實(shí)驗(yàn)驗(yàn)證三位一體的方法體系；接著重點(diǎn)剖析Materials Project、OQMD、AFLOW等主流材料數(shù)據(jù)庫的架構(gòu)特征與數(shù)據(jù)維度差異，比較其高通量計算數(shù)據(jù)在合金設(shè)計、催化篩選等場景的應(yīng)用優(yōu)勢。
在實(shí)踐環(huán)節(jié)，將基于PyMatgen構(gòu)建完整的數(shù)據(jù)工作流：首先演示Material Project數(shù)據(jù)庫的智能檢索策略與API調(diào)用技巧，指導(dǎo)學(xué)員通過matgenb模塊實(shí)現(xiàn)晶體結(jié)構(gòu)可視化與電子態(tài)密度解析；隨后開展ASE原子模擬環(huán)境的操作演練，重點(diǎn)展示晶體表面重構(gòu)、吸附能計算等原子尺度模擬方法。針對OQMD與AFLOW數(shù)據(jù)庫，將分別通過qmpy_rester和aflow接口實(shí)現(xiàn)相圖數(shù)據(jù)批量化獲取與熱力學(xué)穩(wěn)定性分析。最后依托Matminer工具庫進(jìn)行高階特征工程實(shí)踐，包括跨數(shù)據(jù)庫材料描述符自動生成、晶格對稱性特征提取，以及基于機(jī)器學(xué)習(xí)模型的物性預(yù)測管道搭建，使學(xué)員掌握材料智能設(shè)計的核心工具鏈應(yīng)用能力。
【理論內(nèi)容】
1.材料基因組概述
2.材料基因組的基本方法
3.常見材料數(shù)據(jù)庫介紹
【實(shí)操內(nèi)容】
1.Material Project數(shù)據(jù)庫與Pymatgen
1)Material Project數(shù)據(jù)庫實(shí)操
2)Pymatgen庫實(shí)操（matgenb）
2.ASE（Atomic Simulation Environment）實(shí)操
3.OQMD數(shù)據(jù)庫數(shù)據(jù)獲取與使用（qmpy_rester）
4.AFLOW數(shù)據(jù)庫數(shù)據(jù)獲取與使用（aflow）
5.材料特征工具M(jìn)atminer實(shí)操
1)Matminer獲取材料數(shù)據(jù)集
2)Matminer生成材料描述符
第三天：卷積神經(jīng)網(wǎng)絡(luò)在材料圖像解析中的應(yīng)用實(shí)踐
第三天將深入解析卷積神經(jīng)網(wǎng)絡(luò)（CNN）的核心原理及其在材料科學(xué)圖像處理中的創(chuàng)新應(yīng)用，通過多場景實(shí)踐強(qiáng)化算法與領(lǐng)域的深度融合。分為如下幾個部分：首先從理論層面系統(tǒng)講解CNN的架構(gòu)特征與演化脈絡(luò)，重點(diǎn)剖析殘差網(wǎng)絡(luò)（ResNet）解決梯度消失問題的創(chuàng)新機(jī)制；同時結(jié)合材料圖像特性，闡釋數(shù)據(jù)增廣、遷移學(xué)習(xí)等關(guān)鍵技術(shù)對模型泛化能力的提升作用。
在實(shí)踐環(huán)節(jié)，將圍繞材料表征技術(shù)開展全鏈條訓(xùn)練：基礎(chǔ)模塊中，通過MNIST數(shù)據(jù)集實(shí)現(xiàn)ResNet預(yù)訓(xùn)練模型微調(diào)與全參數(shù)訓(xùn)練的雙路徑對比，同步演示卷積核可視化技術(shù)以揭示特征提取過程；原子尺度圖像生成環(huán)節(jié)，基于ASE構(gòu)建二硫化鉬缺陷結(jié)構(gòu)模型，指導(dǎo)學(xué)員完成STEM圖像仿真流程，掌握晶體缺陷的可視化建模方法。工業(yè)級應(yīng)用實(shí)踐部分將分場景展開：在合金電鏡識別任務(wù)中，對比原生CNN、VGG16、DenseNet201等模型在顯微組織分類中的性能差異；針對X射線衍射圖譜，構(gòu)建一維CNN模型實(shí)現(xiàn)晶體對稱性自動識別，重點(diǎn)演示PyTorch處理非標(biāo)準(zhǔn)圖像數(shù)據(jù)的工程化方案；最后通過三元鋰電池正極材料SEM圖像分類案例，演示如何固定預(yù)訓(xùn)練模型的權(quán)重參數(shù)進(jìn)行重新訓(xùn)練，使學(xué)員掌握材料圖像智能解析的核心技術(shù)體系。
【理論內(nèi)容】
1. 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
1)CNN的介紹
2)CNN的原理
3)ResNet的介紹及原理
【項(xiàng)目實(shí)操內(nèi)容】
1.CNN入門案例、深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練及微調(diào)
【項(xiàng)目實(shí)操內(nèi)容】
1.CNN入門案例、深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練及微調(diào)
1)使用微調(diào)的預(yù)訓(xùn)練ResNet預(yù)測mnist數(shù)據(jù)集
2)從頭開始訓(xùn)練ResNet預(yù)測mnist數(shù)據(jù)集
3)卷積核的妙用
4)數(shù)據(jù)增廣
2.STEM圖像生成
1)STEM圖像數(shù)據(jù)讀取與處理
2)使用ASE創(chuàng)建原子模型
3)模擬二硫化鉬中硫原子的缺失
4)生成硫原子缺失的STEM仿真圖像
3.卷積神經(jīng)網(wǎng)絡(luò)在合金電鏡圖片識別的應(yīng)用【文章】
1)合金電鏡數(shù)據(jù)集介紹及圖像預(yù)處理
2)構(gòu)建簡單CNN模型進(jìn)行分類
3)使用預(yù)訓(xùn)練模型VGG16進(jìn)行分類
4)使用預(yù)訓(xùn)練模型DenseNet201進(jìn)行分類
5)模型性能展示
4. 基于粉末X射線衍射圖譜的晶體對稱性識別CNN模型【文章】
1)XRD圖像數(shù)據(jù)集準(zhǔn)備
2)使用PyTorch處理數(shù)據(jù)集
3)PyTorch訓(xùn)練一維圖像數(shù)據(jù)預(yù)測模型
4)PyTorch模型驗(yàn)證和測試
5.基于深度學(xué)習(xí)的三元鋰電池正極材料SEM圖像分類研究
1)使用數(shù)據(jù)增強(qiáng)和數(shù)據(jù)平衡處理不平衡數(shù)據(jù)集
2)預(yù)訓(xùn)練模型與權(quán)重凍結(jié)
3)比較從頭訓(xùn)練模型和微調(diào)預(yù)訓(xùn)練模型的效果
第四天：時序神經(jīng)網(wǎng)絡(luò)在材料動態(tài)特性預(yù)測中的前沿應(yīng)用
第四天將深入解析時序神經(jīng)網(wǎng)絡(luò)的演化路徑及其在材料動態(tài)過程建模中的突破性應(yīng)用，通過多模態(tài)數(shù)據(jù)建模實(shí)踐構(gòu)建時間序列預(yù)測能力。分為如下幾個部分：首先從理論層面系統(tǒng)梳理從RNN到Transformer的架構(gòu)演進(jìn)，重點(diǎn)剖析LSTM/GRU的門控機(jī)制對長程依賴關(guān)系的捕捉能力，對比Transformer的自注意力模型在并行計算與全局特征關(guān)聯(lián)方面的創(chuàng)新優(yōu)勢；同時結(jié)合材料動態(tài)特性預(yù)測需求，闡釋時序模型在電化學(xué)老化、聚合物性能演變等場景中的建模范式。
在實(shí)踐環(huán)節(jié)，將分層次開展跨尺度建模訓(xùn)練： 基礎(chǔ)框架構(gòu)建階段，通過PyTorch實(shí)現(xiàn)LSTM與GRU雙模型對比實(shí)驗(yàn)，掌握滑動窗口數(shù)據(jù)處理、序列長度對齊等時序建模關(guān)鍵技術(shù)；電化學(xué)系統(tǒng)預(yù)測環(huán)節(jié)，針對鋰電池老化軌跡預(yù)測任務(wù)，指導(dǎo)學(xué)員構(gòu)建GRU與Transformer雙通道預(yù)測體系，重點(diǎn)演示非平穩(wěn)時間序列的平穩(wěn)化處理與多周期特征融合技巧；高分子材料分析部分，基于預(yù)訓(xùn)練Transformer模型開展聚合物性能預(yù)測，通過SMILES序列圖注意力編碼、K折交叉驗(yàn)證策略優(yōu)化模型泛化能力，同步實(shí)現(xiàn)材料性能預(yù)測誤差帶的可視化分析。
【理論內(nèi)容】
1. 時序神經(jīng)網(wǎng)絡(luò)
1)RNN的介紹及原理
2)LSTM的介紹及原理
3)GRU的介紹及原理
4)Transformer的介紹及原理
【項(xiàng)目實(shí)操內(nèi)容】
1.LSTM&GRU入門案例
1)使用PyTorch實(shí)現(xiàn)時序預(yù)測模型
2)訓(xùn)練LSTM模型
3)訓(xùn)練GRU模型
4)模型評估
2.基于GRU/Transformer網(wǎng)絡(luò)預(yù)測鋰電池的老化軌跡【文章】
1)電池數(shù)據(jù)集準(zhǔn)備與分析
2)原始數(shù)據(jù)分割與處理
3)訓(xùn)練GRU模型預(yù)測電池老化軌跡
4)訓(xùn)練Transformer模型預(yù)測電池老化軌跡
5)模型性能評估與預(yù)測
3. 基于Transformer對聚合物性質(zhì)進(jìn)行預(yù)測【文章】
1)聚合物數(shù)據(jù)集準(zhǔn)備
2)對聚合物數(shù)據(jù)進(jìn)行特征編碼
3)使用預(yù)訓(xùn)練的Transformer
4)以K折交叉驗(yàn)證的方式微調(diào)Transformer模型預(yù)測聚合物性能
第五天：生成模型與圖神經(jīng)網(wǎng)絡(luò)驅(qū)動的材料逆向設(shè)計
第五天將系統(tǒng)闡釋生成式人工智能在材料逆向設(shè)計中的創(chuàng)新突破，結(jié)合圖神經(jīng)網(wǎng)絡(luò)構(gòu)建多尺度材料生成-評估閉環(huán)。分為如下幾個部分：首先從理論層面解析生成模型的范式演進(jìn)，重點(diǎn)對比GAN、VAE與擴(kuò)散模型在材料表征空間建模的差異性優(yōu)勢，揭示擴(kuò)散模型在化學(xué)反應(yīng)路徑生成中的等變基元設(shè)計原理；同時剖析圖神經(jīng)網(wǎng)絡(luò)處理非歐式空間數(shù)據(jù)的核心機(jī)制，闡釋其在小分子特性預(yù)測中的幾何深度學(xué)習(xí)范式。
在實(shí)踐環(huán)節(jié)，將開展三維材料逆向設(shè)計的全流程攻關(guān)：晶體逆向工程部分，基于VAE構(gòu)建晶體體素空間編碼體系，指導(dǎo)學(xué)員通過潛空間插值生成新型晶體拓?fù)?，同步?shí)現(xiàn)晶格參數(shù)可控的隱變量采樣；反應(yīng)路徑生成環(huán)節(jié)，采用等變擴(kuò)散模型開展過渡態(tài)結(jié)構(gòu)預(yù)測，演示反應(yīng)物-產(chǎn)物構(gòu)型對齊、勢能面鞍點(diǎn)搜索等計算化學(xué)關(guān)鍵步驟的智能化建模。分子智能設(shè)計模塊將貫通圖神經(jīng)網(wǎng)絡(luò)技術(shù)鏈：從SMILES分子圖編碼、圖注意力機(jī)制建模，到基于GIN/GAT架構(gòu)的分子毒性分類預(yù)測，構(gòu)建"結(jié)構(gòu)生成-特性預(yù)測"雙驅(qū)動研發(fā)體系。
【理論內(nèi)容】
1.生成模型
1)生成對抗網(wǎng)絡(luò)（GAN）的介紹及原理
2)變分自編碼器（VAE）的介紹及原理
3)擴(kuò)散模型（Diffusion Model）的介紹及原理
2.圖神經(jīng)網(wǎng)絡(luò)
1)圖神經(jīng)網(wǎng)絡(luò)（GNN）的介紹及原理
【項(xiàng)目實(shí)操內(nèi)容】
1.基于VAE逆向生成晶體材料【文章】
1)晶體結(jié)構(gòu)體素空間編碼
2)使用變分自編碼器進(jìn)行晶體結(jié)構(gòu)自動生成
3)變分自編碼器的潛空間采樣
2.用目標(biāo)感知的等變基元反應(yīng)擴(kuò)散模型精確生成過渡態(tài)【文章】
1)使用擴(kuò)散模型生成分子
2)使用擴(kuò)散模型生成化學(xué)反應(yīng)
3)使用擴(kuò)散模型生成過渡態(tài)結(jié)構(gòu)
3.圖神經(jīng)網(wǎng)絡(luò)入門、分子圖編碼及預(yù)測
1)圖神經(jīng)網(wǎng)絡(luò)實(shí)操
2)小分子的圖表示
3)使用圖神經(jīng)網(wǎng)絡(luò)對小分子進(jìn)行分類預(yù)測
專題三：深度學(xué)習(xí)超材料設(shè)計專題
第一天：彈性波超材料
1.1.1概念
1.1.2應(yīng)用前景
1.1.3計算方法
1.1.4帶隙機(jī)理
1.1.5COMSOL商用有限元軟件安裝
1.1.6案例1：基于傳遞矩陣法的一維周期超材能帶曲線計算（包含實(shí)操）
1.1.7案例2：基于有限元的二維周期超材料能帶曲線計算（包含實(shí)操）
1.1.8案例3：基于有限元的二維周期超材料頻域與時域響應(yīng)計算（包含實(shí)操）
1.2深度學(xué)習(xí)
1.2.1概念與原理
1.2.2常見的深度學(xué)習(xí)模型(MLP, CNN, RNN)
1.2.3Tensorflow深度學(xué)習(xí)框架安裝與演練（包含實(shí)操）
1.2.4數(shù)字圖片數(shù)據(jù)集下載（包含實(shí)操）
1.2.5數(shù)字識別深度學(xué)習(xí)模型搭建（包含實(shí)操）
第二天 數(shù)據(jù)集批量自動生成方法
2.1COMSOL with Matlab介紹
2.2如何獲取用于彈性波超材料計算的基礎(chǔ)Matlab代碼（包含實(shí)操）
2.2.1COMSOL有限元模型以Matlab代碼表示
2.2.2Matlab讀取并修改COMSOL有限元模型
2.3參數(shù)變量控制的數(shù)據(jù)批量自動生成方法與Matlab代碼（包含實(shí)操）
2.3.1參數(shù)變量特性與定義規(guī)則
2.3.2Matlab更改COMSOL有限元模型中的幾何和材料參數(shù)
2.4拓?fù)渥兞靠刂频臄?shù)據(jù)批量自動生成方法與Matlab代碼（包含實(shí)操）
2.4.1拓?fù)錁?gòu)型定義與范圍選取
2.4.2Matlab定義COMSOL有限元模型的拓?fù)浣Y(jié)構(gòu)
2.5數(shù)據(jù)整合方法與Python代碼（包含實(shí)操）
第三天 正向預(yù)測
3.1研究現(xiàn)狀
3.2正向預(yù)測深度學(xué)習(xí)模型及其原理
3.2.1SVM
3.2.2MLP
3.2.3CNN
3.3用于正向預(yù)測的數(shù)據(jù)集介紹
3.3.1一維周期超材料的參數(shù)變量數(shù)據(jù)集
3.3.2二維周期超材料的拓?fù)渥兞繑?shù)據(jù)集
3.4基于MLP的一維周期超材料帶隙預(yù)測與代碼講解（包含實(shí)操）
3.4.1基于Python和Tensorflow的MLP模型構(gòu)建
3.4.2訓(xùn)練與驗(yàn)證
3.4.3基于R2的帶隙預(yù)測精度測試評估
3.5基于CNN的二維周期超材料能帶曲線預(yù)測與代碼講解（包含實(shí)操）
3.5.1基于Python和Tensorflow的CNN模型構(gòu)建
3.5.2訓(xùn)練、驗(yàn)證與測試
3.5.3真實(shí)值與測試值對比圖的批量生成
第四天 參數(shù)設(shè)計
4.1研究現(xiàn)狀
4.2用于參數(shù)設(shè)計的深度學(xué)習(xí)模型及其原理
4.2.1MLP
4.2.2MLP+GA
4.2.3強(qiáng)化學(xué)習(xí)
4.2.4TNN
4.3用于參數(shù)設(shè)計的數(shù)據(jù)集介紹
4.4基于TNN的一維周期超材料參數(shù)設(shè)計與代碼講解（包含實(shí)操）
4.4.1TNN模型的搭建方式
4.4.2設(shè)計參數(shù)的批量保存與驗(yàn)證
4.5參數(shù)設(shè)計結(jié)果的分析與討論（包含實(shí)操）
4.5.1設(shè)計精度的評估方式及其代碼
4.5.2設(shè)計的非唯一性
第五天 拓?fù)湓O(shè)計
5.1研究現(xiàn)狀
5.2用于拓?fù)湓O(shè)計的深度學(xué)習(xí)模型及其原理
5.2.1CGAN
5.2.2CVAE
5.2.3VAE-based模型
5.3用于拓?fù)湓O(shè)計的數(shù)據(jù)集介紹
5.4基于VAE-based模型的二維周期超材料拓?fù)湓O(shè)計與代碼講解（包含實(shí)操）
5.4.1VAE-based模型的搭建方式
5.4.2設(shè)計拓?fù)錁?gòu)型的批量保存和驗(yàn)證
5.5拓?fù)湓O(shè)計分析方式（包含實(shí)操）
5.6多目標(biāo)拓?fù)鋬?yōu)化（包含實(shí)操）
課程特色及增值服務(wù)
1、線上授課時間和地點(diǎn)自由，建立專業(yè)課程群進(jìn)行實(shí)時答疑解惑；
2、理論＋實(shí)操授課方式，由淺入深式講解，結(jié)合大量實(shí)戰(zhàn)案例與項(xiàng)目演練，聚焦人工智能技術(shù)在材料科學(xué)領(lǐng)域的最新研究進(jìn)展；
3、課前發(fā)送全部學(xué)習(xí)資料（上課所有使用的軟件、包括豐富的PPT，大量的代碼數(shù)據(jù)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(fèi)贈送二次學(xué)習(xí)，永不解散的課程群答疑服務(wù)，可以與相同領(lǐng)域內(nèi)的老師同學(xué)互動交流問題，讓求知的路上不再孤單！
增值服務(wù)
1、凡參加人員將獲得本次課程學(xué)習(xí)資料及所有案例模型文件；
2、課程結(jié)束可獲得本次所學(xué)專題全部回放視頻；
3、課程會定期更新前沿內(nèi)容，參加本次課程的學(xué)員可免費(fèi)參加一次本單位后期舉辦的相同專題課程（任意一期）
課程會議完畢后老師長期解疑，課程群不解散，往期會議學(xué)員對于會議質(zhì)量和授課方式一致評價極高！
課程時間
機(jī)器學(xué)習(xí)材料專題：
2025.04.19----2025.04.20（上午9.00-11.30下午13.30-17.00）
2025.04.21----2025.04.24（晚上19.00-22.00）
2025.04.26（上午9.00-11.30下午13.30-17.00）
騰訊會議線上授課（共計五天時間 提供全程回放）
深度學(xué)習(xí)材料專題：
2025.04.29----2025.04.30（晚上19.00-22.00）
2025.05.06----2025.05.09（晚上19.00-22.00）
2025.05.10----2025.05.11（上午9.00-11.30下午13.30-17.00）
騰訊會議線上授課（共計五天時間 提供全程回放）
深度學(xué)習(xí)超材料設(shè)計專題：
2025.04.05----2025.04.06（上午9.00-11.30下午13.30-17.00）
2025.04.07----2025.04.08（晚上19.00-22.00）
2025.04.12----2025.04.13（上午9.00-11.30下午13.30-17.0
0）
騰訊會議 線上授課（共五天課程 提供全程視頻回放）
報名費(fèi)用
機(jī)器學(xué)習(xí)材料專題
報名費(fèi)用：每人每班￥4680元
（包含會議費(fèi)、資料費(fèi)提供課后全程回放資料）
深度學(xué)習(xí)材料專題
報名費(fèi)用：每人每班￥4680元
（包含會議費(fèi)、資料費(fèi)提供課后全程回放資料）
深度學(xué)習(xí)超材料設(shè)計專題
報名費(fèi)用：每人每班￥4980元
（包含會議費(fèi)、資料費(fèi)提供課后全程回放資料）
重磅優(yōu)惠：
早鳥價優(yōu)惠：提前報名繳費(fèi)學(xué)員可得300元優(yōu)惠（僅限前15名）
套餐價：同時報名兩個課程￥9080元
福利一：報二贈一（同時報名兩個班可以免費(fèi)贈送一個學(xué)習(xí)名額，贈送班任選）
福利二：報名即可贈送與（內(nèi)容詳情可點(diǎn)擊上方課程名稱查看）
年報優(yōu)惠：可免費(fèi)學(xué)習(xí)一年特惠：16580元（可免費(fèi)學(xué)習(xí)一整年本單位舉辦的任意課程）
報名費(fèi)用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費(fèi)證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷
報名咨詢方式
聯(lián)系人｜馬老師
咨詢電話｜18514630500（微信同號）
熱門跟貼