材料的研发主要依赖试错法,这种传统的研究范式不仅耗时费力,而且成本高昂。20世纪中叶起,随着蒙特卡罗方法、分子动力学和密度泛函理论(DFT)等计算物理方法的发展及其在不同材料体系中的应用,计算材料学逐渐成型,并广泛应用于信息技术、能源、化工、生物医药、航空航天等领域,成为探索物质世界、研发新材料的重要工具。近年来,随着计算材料学和人工智能(AI)快速发展,基于机器学习的材料设计逐渐成为可能。机器学习算法能够处理复杂的非线性关系,发现高维数据中的模式和规律,自动从数据中提取隐藏的关键特征,并且具备较强的泛化能力和迭代优化能力。这些优势与材料研究天然匹配,有望解决材料科学中设计空间巨大、构效关系复杂等关键共性难题。
(1)性质预测:利用机器学习挖掘材料的结构—性质关系(即构效关系),再结合材料数据库筛选和设计具有特定性能的新材料。
(2)合成预测:利用机器学习预测材料的合成方案、合成路径、具体的实验合成参数等。
(3)知识发现:利用自然语言模型,对文献库进行数据提取和知识挖掘以辅助材料设计。
(4)生成式逆向设计:基于生成式模型,根据对材料性能的需求,逆向设计材料的成分和结构。
复合材料因其独特的性能优势,在现代科技和工程中占据着越来越重要的地位。多物理场研究是深入理解复合材料行为的关键途径,它涉及材料在多种物理环境下的响应,包括力学、热学、电磁学等多个方面。
力学性能
复合材料的力学性能是其最基本也是最重要的性能之一。研究内容包括复合材料的强度、刚度、韧性以及疲劳性能等。通过实验和数值模拟方法,科学家们可以分析纤维与基体之间的相互作用、界面性能对整体性能的影响,以及复合材料在不同载荷条件下的行为。这些研究有助于优化材料设计,提升复合材料的综合机械性能。
热学性能
热学性能研究主要关注复合材料的热导率、热膨胀系数以及耐高温性能。复合材料在高温环境下的应用日益广泛,如航空航天、汽车工业等,因此对其热学性能的研究显得尤为重要。通过多尺度建模和实验测试,可以优化复合材料的热管理性能,提高其使用寿命和可靠性。这些研究成果能够进一步推动复合材料在极端条件下的应用。
电磁性能
随着电子设备和无线通信技术的快速发展,复合材料的电磁性能也受到了广泛关注。研究内容包括复合材料的电磁屏蔽性能、吸波性能以及介电性能等。通过添加导电填料或设计特殊结构,可以制备出具有优异电磁性能的复合材料,满足现代电子设备对轻量化、高性能材料的需求。这些材料在5G通信、雷达系统等领域展现出巨大的应用潜力。
耦合效应
多物理场研究还关注不同物理场之间的耦合效应,如力-热耦合、电-热耦合等。这些耦合效应在复杂工作环境下的复合材料结构中尤为明显,对材料的设计和性能预测提出了更高的要求。通过建立多物理场耦合模型,可以更准确地预测复合材料在实际工况下的行为,为工程应用提供科学依据。这些研究有助于克服复合材料在多场环境下面临的挑战,实现更可靠的设计.
七大最火课程
01、机器学习材料设计专题
02、深度学习材料专题
03、深度学习超材料逆向设计专题
04、Comsol复合材料多物理场多尺度设计专题
05、深度学习声学超材料专题
06、机器学习锂离子电池专题
07、机器学习分子动力学专题
机器学习材料设计专题
可以上下滚动查看
深度学习材料专题
可以上下滚动查看
机器学习分子动力学专题
可以上下滚动查看
深度学习超材料逆向设计专题
可以上下滚动查看
机器学习锂离子电池专题
可以上下滚动查看
深度学习声学超材料专题
可以上下滚动查看
Comsol复合材料多物理场多尺度设计专题
可以上下滚动查看
学习目标
01.机器学习材料设计
1.掌握Python编程基础及其在科学计算中的应用:学会利用Python进行数据处理、模型构建与可视化,熟悉NumPy、Pandas等工具。
2.理解材料与化学中的机器学习方法:掌握线性回归、逻辑回归、决策树、支持向量机等常见算法的基本原理与应用。
3.应用机器学习解决材料科学问题:通过项目实践,深入理解数据采集、特征选择、模型训练与评估等步骤,学会使用sklearn等工具库完成任务。
4.了解材料数据的特征工程与数据库应用:学习如何表示分子结构与晶体结构,并了解常见材料数据库的使用方法。
提升实战能力并引导深入学习:通过多样化的项目实践案例,巩固课程内容,为后续深度学习等更复杂算法的学习打下基础。
02.深度学习材料
1.理解深度学习与材料科学的结合点:掌握深度学习在材料特征工程和化学中的应用,了解当前研究的前沿方向。
2.熟练使用材料数据库与工具库:学习材料基因组的基本方法,并熟练掌握Material Project、Pymatgen、ASE等常见数据库及工具库的使用。
3.掌握常见深度学习算法的原理与应用:深入理解卷积神经网络、时序神经网络、生成模型及图神经网络的工作原理及其在材料研究中的具体应用。
4.培养实战能力:通过动手实践,包括深度学习框架Pytorch和Pytorch Lightning的使用、卷积神经网络在材料图像识别中的应用、基于Transformer的属性预测模型构建、生成对抗网络和变分自编码器在材料生成中的应用等,提升解决材料研究实际问题的能力。
03.Comsol复合材料多物理场多尺度设计
1.了解复合材料的类型、特点与研究方法。
2.掌握复合材料的力学模型(细观力学)与本构方程。
3.掌握Comsol多物理场仿真软件的建模过程与数值分析方法。
4.掌握复合材料的不同工况力学性能有限元分析步骤与仿真计算
5.掌握复合材料的典型力—热耦合有限元分析步骤与仿真计算
6.掌握复合材料的典型力—电耦合有限元分析步骤与仿真计算
04.深度学习超材料逆向设计
1. 学习弹性波超材料的基本概念与计算方法
2. 学习深度学习算法以及基于Tensorflow框架的模型搭建
3. 学习深度学习在弹性波超材料领域的研究现状
4. 学习基于COMSOL with Matlab的弹性波超材料数据集批量自动生成方法(分享课程涉及的所有数据集及代码)
5. 学习基于深度学习的弹性波超材料正向预测、参数设计与拓扑设计的原理以及实现方式(分享课程涉及的所有代码)
05.机器学习锂离子电池
1.使学员了解锂离子电池的基本原理和特性,以及机器学习在电池技术中的应用背景。通过学习Python编程语言,使学员能够熟练使用基础语法、函数、模块、包和面向对象编程,让学员熟悉并掌握机器学习库。
2.使学员理解神经网络的基础知识,包括激活函数、损失函数、梯度下降与反向传播,并能够使用Pytorch构建全连接神经网络,掌握深度学习中的正则化技术、优化算法和超参数调优方法,了解并能够应用循环神经网络、卷积神经网络、图神经网络、注意力机制、Transformer架构、生成对抗网络和变分自编码器。
3.培养学员在锂离子电池正极材料特性工程方面的实战能力。通过实战项目,使学员能够使用机器学习技术预测锂离子电池性能、稳定性,并进行电池性能分类。理解如何将机器学习与分子动力学模拟、第一性原理计算以及实验数据结合,以加速新材料的发现和电池性能的优化。
4.电池管理系统(BMS)的智能化学习:使学员了解BMS的功能与组成,并能够应用机器学习技术进行电池充放电策略的优化。培养学员使用机器学习技术进行锂离子电池的实时充电状态(SOC)和健康状态(SOH)估计。
5.拓宽学员的国际视野,让他们接触和学习国际上的先进研究成果。培养具备跨学科整合能力的学员,使他们能够在锂离子电池、深度学习、数据科学等领域之间架起桥梁,开展创新性研究。
06.深度学习声学超材料
1.学习声学超材料的基本概念与理论。
2.掌握声学超材料的结构设计与分类。
3.了解声学超材料的制造方法。
4.探讨声学超材料的模拟与深度学习结合。
5.分析声学超材料研究的前沿进展与未来发展方向。
7.了解深度学习的基本概念和理论。
8.掌握深度学习模型的构建与训练方法。
9.探讨深度学习在声学超材料中的应用。
07.机器学习分子动力学
本次授课内容包括快速上手量化软件、入门和理解机器学习,熟练运用LAMMPS模拟软件,精通机器学习力场模型等,并附带大量相关代码与示例脚本。本次课不仅带来生态最完善的DeePMD系列软件的详解和使用,还将带来机器学习力场领域具有超高数据效率的等变模型(NequIP/MACE/Allegro),从而显著减轻高昂的数据生产成本。此外,还有机器学习力场领域的ChatGPT产品——开箱即用、免费开源的通用大模型(MACE-OFF23,MACE-MP0,DPA等)的使用与微调技巧。
讲师介绍
机器学习深度学习材料
机器学习材料专题和深度学习材料专题主讲老师张老师来自国内“985工程”顶尖高校材料物理与化学专业,长期从事材料科学、机器学习,未来互联网与命名数据网络,量子力学等领域。在多个国际高水平期刊上发表 SCI检索论文20余篇。国家发明专利一项,他的授课方式深入浅出,能够将复杂的理论知识和计算方法讲解得清晰易懂,受到学员们的一致认可和高度评价!
Comsol复合材料多物理场多尺度设计
主讲老师985高校教授/博导,国家级青年人才带领团队讲授。长期从事Comsol复合材料与结构的研究与开发,近两年以第一/通讯作者发表SCI论文20余篇,包括多个中科院一区TOP期刊发表高水平论文。
深度学习超材料逆向设计
主讲老师来自国家985重点高校,固体力学专业,在深度学习辅助的弹性波超材料逆向设计研究领域深耕多年,具有丰富的经验和扎实的基础。以第一作者或通讯作者在CMAME、IJMS、ES等行业顶级期刊发表论文8篇以及其它国际知名期刊7篇,共计15篇,参编英文书籍1部,参与过多项国家级项目,担任JSV、IJAM和EML等多个杂志的审稿人。
机器学习分子动力学
机器学习分子动力学主讲老师来自国内高校陈老师授课,已发表SCI论文近20余篇,研究方向为基于机器学习的分子动力学模拟,包括 构建高效、高精度的AI分子力场模型,采用主动学习或大模型的知识蒸馏方法来获取高质量训练数据集, 开发基于C++的高性能的多GPU并行的LAMMPS的插件。熟知各种AI模型DeePMD, SchNet, DimeNet, SphereNet, DPA2和等变系列模型的Nequip, MACE, Allegro等,精通所有量子化学软件!
机器学习锂离子电池
主讲老师张老师来自全国重点大学、国家“985工程”、“211工程”重点高校,长期从事锂离子电池研究,特别是在利用计算模拟方法和机器学习技术解决锂离子电池领域的关键问题。在多个国际高水平期刊上发表 SCI检索论文30余篇。他的授课方式深入浅出,能够将复杂的理论知识和计算方法讲解得清晰易懂!
深度学习声学超材料
主讲老师来自中国TOP高校,在国内顶尖教授组中从事人工智能声学超材料设计研究,光学声学材料物理方向,在深度学习辅助的声学超材料设计研究领域深耕多年,具有丰富的经验和扎实的基础。以第一作者或通讯作者在AM,AFM、ACS nano、JMR,ES等行业顶级期刊发表论文10篇,参与过多项国家级项目,担任JMR、APl等多个杂志的审稿人。
授课时间
机器学习材料时间:
2024.10.19----2024.10.20(上午9.00-11.30下午13.30-17.00)
2024.10.23----2024.10.24(晚上19.00-22.00)
2024.10.26----2024.10.27(上午9:00-11:30下午13:30-17:00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
深度学习材料时间:
2024.11.2----2024.11.3(上午9.00-11.30下午13.30-17.00)
2024.11.6----2024.11.7(晚上19.00-22.00)
2024.11.9----2024.11.10(上午9:00-11:30下午13:30-17:00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
机器学习分子动力学时间:
2024.10.19----2024.10.20(上午9.00-11.30下午13.30-17.00)
2024.10.26----2024.10.27(上午9:00-11:30下午13:30-17:00)
腾讯会议 线上授课(共四天课程 提供全程视频回放)
深度学习超材料逆向设计时间:
2024.10.19(上午9.00-11.30下午13.30-17.00)
2024.10.22----2024.10.26(晚上19.00-22.00)
2024.10.29----2024.11.01(晚上19.00-22.00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
机器学习锂离子电池时间:
2024.09.14----2024.09.15(上午9.00-11.30下午13.30-17.00)
2024.09.18---2024.09.19(晚上19.00-22.00)
2024.09.21----2024.09.22(上午9.00-11.30下午13.30-17.00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
Comsol复合材料多物理场多尺度设计时间:
2024.11.2----2024.11.3(上午9.00-11.30下午13.30-17.00)
2024.11.6----2024.11.7(晚上19.00-22.00)
2024.11.9----2024.11.10(上午9:00-11:30下午13:30-17:00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
培训费用
课程费用:
机器学习材料、深度学习材料、机器学习锂离子电池
报名费用:每人每班¥4680元 (包含会议费、资料费提供课后全程回放资料)
深度学习超材料逆向设计、Comsol复合材料多物理场多尺度设计、深度学习声学超材料、
报名费用:每人每班¥4980元 (包含会议费、资料费提供课后全程回放资料)
机器学习分子动力学
报名费用:每人每班¥5280元 (包含会议费、资料费提供课后全程回放资料)
重磅优惠:
早鸟价优惠:提前报名缴费学员可得300元优惠(仅限前15名)
套餐价:同时报名两个课程¥9080元 (原价14640,可任选三门课学习)
报二赠一(同时报名两个班可以免费赠送一个学习名额,赠送班任选)
套餐价:同时报名四个课程¥16880元(原价28980,可任选六门课学习)
报四增二(同时报名四个班可以免费赠送两个学习名额)
年报优惠:可免费学习一年特惠:20880元(可免费学习一整年本单位举办的任意课程)
报名费用可开具正规报销发票及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于报销
报名咨询方式(请扫描下方二维码)
RECRUIT
联系人|张老师
咨询电话|13141346157(微信同号)
往期参会单位
※ 该会议已举办多期,1500多名高校老师、学生、工程师参与了该会议课程。
※ 往期参训单位包含:香港大学、香港理工大学、中国科学院大学、西安交通大学、吉林大学、中南大学、湖南大学、厦门大学、南京大学、中国科学技术大学、南开大学、东南大学、天津大学等。参与的研究院所包括中国科学院深圳先进技术研究院、北京纳米能源与系统研究所、电子科技大学长三角研究院(湖州)、新疆理化技术研究所、天津工业大学、株洲时代新材、西安建筑科技大学、中车成型科技、武汉理工大学、清华大学深圳国际研究生院、中物院五所、清华大学、南京航空航天大学、燕山大学、西北工业大学、大连理工大学、东北林业大学、西安理工大学、西安交通大学、中国兵器科学研究院、东华大学、中国飞机强度研究所、北京航空材料研究院、中国民用航空飞行学院、中南大学轻合金研究院、龙岩学院、武汉纺织大学、山东大学、江苏科技大学、江南大学、河北工业大学、哈尔滨玻璃钢研究院有限公司、同济大学、山东非金属材料研究所、哈尔滨工业大学、云路复合材料(上海)有限公司、山东科技大学、华南理工大学、32804部队、北京理工大学、天津大学、浙江联洋新材料股份有限公司、深圳大学、湖南大学、河南科技大学、西安工程大学、火箭军工程大学、晶临软件科技(杭州)有限公司、中航光电科技股份有限公司、中南大学、长安大学、中原工学院、哈尔滨理工大学、上海波客实业有限公司、中国航空制造技术研究院复材中心、香港城市大学、国防科技大学、北京宇航系统工程研究所、吉林化工学院、长三角先进材料研究院、中国科学院力学研究所、中国民航大学、北京航空航天大学、河南农业大学、浙江理工大学、北京凌空天行科技有限责任公司、吉林大学、北京工业大学、南京玻璃纤维研究院设计有限公司、上海交通大学、常熟理工学院、天津中德应用技术大学等。