年轻的史蒂夫·乔布斯 （Steve Jobs） 曾将计算机称为“心灵的自行车”——他指的是自行车可以获得的能源运输成本的大幅降低，这打破了动物实现运动效率的所有缩放定律。机器学习 （ML） 的大量采用促进了解决旧材料科学问题的新方法的创造性，证明了这一概念。通过提供开放数据集的非凡努力，例如新材料发现 （NOMAD），促进了 ML 在我们学科中的采用1、“材料”项目2、各种集成仿真的联合自动化存储库 （JARVIS）3、用于材料发现的自动 FLOW （AFLOW）4、开放量子材料数据库 （OQMD）5和许多其他软件包，以及 scikit-learn 等公开可用的软件包的极高质量6、PyTorch7， （刚在执行之后） JAX8、Quantum Espresso9和大规模原子/分子大规模并行模拟器 （LAMMPS）10.这些资源，以及硬件的持续非凡发展，正在帮助广泛的研究人员将 ML 集成到他们的工作中。ML 应用程序的急剧增长始于 2010 年代初。ImageNet 时刻，当深度学习方法（AlexNet11），并在大型标记数据集上进行训练，其性能首先优于传统的图像分类方法，这通常被认为是一个关键事件。从那时起，应用于社会和研究各个方面的 ML 方法激增。在科学方面，AlphaFold 性能的初步报告12在 CASP14 竞赛中捕获了更广泛的科学想象力，并使许多研究人员在一夜之间成为蛋白质折叠专家。虽然计算材料科学没有像 AlphaFold 那样引人注目的时刻，但该领域是 ML 的相对较早采用者，并且数据驱动研究的普及率稳步增长。在一个临时实验中（这会让适当的统计学家不寒而栗），我们对该期刊近年来的文章标题进行了排名，看看有多少论文似乎主要以机器学习为重点。早在 2017 年，我们就统计了 42 篇论文中有 7 篇具有 ML 风味 （~16%），2019 年是 113 篇中的 28 篇 （~25%），今年到目前为止这个数字是 49/112 （~42%）。执行此分析还很明显 ML 在材料科学中的应用有多么多样化和创造性。
2024年最火热专题技术
01、深度学习有限元分析专题
02、机器学习材料设计专题
03、深度学习材料专题
04、机器学习分子动力学专题
05、机器学习锂离子电池专题（专题五天内容详情点击名称查看）
课程目标
深度学习材料目标：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。
讲师介绍
主讲老师来自国内顶尖985院校应用数学、计算数学、材料科学和流体力学专业，擅长应用数学、物理信息模型、机器学习建模与深度学习技术驱动交叉学科研究。近年来发表SCI论文12篇。研究方向包括：理论流体力学、智能材料、智能流体力学的量子计算、数据驱动的流体力学、流体力学的核函数方法、仿真实验分析等。
机器学习材料专题和深度学习材料专题主讲老师来自国内“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15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！
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！
课程大纲
专题一：深度学习有限元分析
第一天：深度学习与有限元基础
1.有限元分析（FEM）基础：【理论知识+代码+实操】
1.1知识点剖析：有限元法的基本原理，如网格划分和节点分析。
1.2知识点剖析：介绍有限元在结构分析、热传导、流体力学等领域的实际应用。
1.3知识点剖析：解释有限元法的优缺点，特别是计算复杂性和精度问题。
1.4案例展示与实操：有限元法分析及数值求解
2.深度学习基础与案例实操：【理论知识+代码+实操】
2.1剖析神经网络的基本组成，包括输入层、隐藏层和输出层。
2.2剖析常用的激活函数，如ReLU、sigmoid和softmax及其作用。
2.3剖析损失函数的定义及其在模型训练技术原理。
2.4深度学习案例与实操：深度学习技术迁移至有限元分析【代码+实操】
3.有限元与深度学习结合的必要性【理论结合案例知识】：
3.1剖析传统有限元方法及其局限性，特别是在处理复杂材料和几何时的不足。
3.2剖析深度学习技术提高模型的自适应性与非线性特征处理能力。
3.3利用深度学习进行数据驱动建模的前景与应用。
4.深度学习结合有限元案例分析：
4.1实现CNN自动生成的材料工程数据样本的具体方法。
4.2分析数据集的特征，包括样本数量、数据维度和标注信息。
4.3利用获取的样本改进有限元分析的准确性和效率。
第二天：有限元方法与深度学习的实践【理论知识+代码+实操】
1.PDE求解与有限元结合：
1.1介绍如何使用 FEniCS 进行偏微分方程的建模与求解。
1.2讲解偏微分方程的离散化方法，包括网格生成与基函数选择。
1.3实现如何将 FEM 结果转化为可用于深度学习的格式。
2.数据预处理：
2.1讲解如何提取有限元仿真结果中的关键特征，确保数据质量。
2.2实现FEM数据归一化和标准化的方法，以提高模型训练效果。
2.3介绍数据增强技术，增加样本多样性以改善模型泛化能力。
3.深度学习模型构建：
3.1指导如何选择适合有限元数据的深度学习模型结构（如CNN、RNN等）。
3.2讲解模型超参数的选择和调优，包括学习率、批量大小和训练轮数。
3.3实现通过交叉验证评估模型性能，避免过拟合。
3.4基于深度学习的晶体塑性有限元模型
4.案例实践：
4.1实际操作，构建一个简单的有限元与深度学习结合的模型。
4.2使用TensorFlow或PyTorch进行模型的训练和评估。
4.3分析模型输出，并与传统有限元方法的结果进行对比。
第三天：应用深度学习改进有限元模拟
1.材料行为建模【理论知识+代码+实操】：
1.1介绍EUCLID如何识别材料行为及其应用于弹塑性模型的优势。
1.2讲解路径相关材料行为的定义和重要性，以及如何进行建模。
1.3实现将材料行为模型与深度学习算法相结合，以提高预测准确性。
2.弹塑性材料模拟【理论知识+代码+实操】：
2.1探索全场弹塑性有限元模拟的基本原理和步骤。
2.2讲解如何利用深度学习算法进行塑性校正，提高模型的可靠性。
2.3分享弹塑性模拟的实际案例，分析模型的表现及其改进方向。
3.使用机器学习优化有限元分析【理论知识+代码+实操】：
3.1介绍如何利用深度学习算法进行参数识别和优化方法。
3.2实现机器学习在加速有限元分析过程中的应用，简化模型计算。
3.3实现优化算法与有限元模拟结果的结合，提升整体分析效率。
4.实践操作【理论知识+代码+实操】：
4.1通过具体案例，实施机器学习增强的有限元模型。
4.2分析并可视化模型结果，比较传统和机器学习方法的性能。
4.3识别潜在的改进领域和未来研究方向。
第四天：深度学习在有限元中的高级应用
1.神经网络学习有限元【理论知识+代码+实操】：
1.1探索神经网络如何从有限元数据中提取特征并进行学习。
1.2讨论不同类型神经网络（如CNN、RNN）在有限元分析中的适用性。
1.3介绍模型训练中使用的正则化技术，以防止过拟合。
2.混合模型实现【理论知识+代码+实操】：
2.1讲解如何构建增强神经网络混合模型，以结合FEM与深度学习的优势。
2.2分享不同模型组合的策略，分析其对结果的影响。
2.3实际演示构建和训练混合模型的过程。
3.实例分析【理论知识+代码+实操】：
3.1深入研究基于深度学习的晶体塑性有限元模型，讨论其应用场景。
3.2分析模型的优缺点，并探讨改进方向。
3.3展示模型的实际结果与传统方法的比较。
3.4使用逐点位移和域的有限元网格应用
4.技术演示与实操【理论知识+代码+实操】：
4.1通过U-Net架构进行应力分布预测的实际案例演示。
4.2讲解U-Net在图像分割和分析中的优势及其实现步骤。
4.3分享实践结果，讨论如何将U-Net模型应用于复杂工程问题。
4.4在有限元方法中使用基于机器学习技术的U-Net架构
第五天：综合项目与前沿技术
1.综合案例项目：
1.1设计一个完整的项目，结合深度学习与有限元方法，解决实际工程问题。
1.2介绍项目的背景、目标及所用技术，确保项目的系统性。
1.3讲解项目实施的步骤和方法，包括数据采集、模型构建和评估。
2.前沿研究研读【理论知识+代码+实操】：
2.1介绍基于 JAX 的 GPU 加速可微分有限元分析方法及其应用前景。
2.2讨论最新的研究成果和技术趋势，分析其对有限元分析的影响。
2.3介绍其他前沿技术（图神经网络）在有限元中的潜在应用。
2.4分享有效的解决方案和案例，帮助学员应对实际问题。
3.论文前沿导读【理论知识+代码+实操】：
3.1展望深度学习在有限元分析中的未来应用与发展方向。
3.2精读深度学习在有限元分析中的论文技术。
专题二：机器学习材料设计专题
材料机器学习概述与python基础
【理论内容】
1. 机器学习概述
2. 材料与化学中的常见机器学习方法
3. 应用前沿
【实操内容】
1)Python基础
1)开发环境搭建
2)变量和数据类型
3)控制流
2)Python基础（续）
1)函数
2)类和对象
3)模块
3. Python科学数据处理
1)NumPy
2)Pandas
3)绘图可视化
4)文件系统
第二天：常见机器学习方法与实践1
【理论内容】
1. 线性回归
1)线性回归的原理
2)线性回归的应用
2. 逻辑回归
1)逻辑回归的原理
2)逻辑回归的应用
3. K近邻（KNN）
1)K近邻的原理
2)K近邻的应用
4. 感知机（浅层神经网络）
1)感知机的原理
2)使用感知机进行回归
3)使用感知机进行分类
【实操内容】
1. 线性回归的实现与初步应用
2. 逻辑回归的实现与初步应用
3. K近邻的实现与初步应用
4. 感知机的实现与初步应用
【项目实操内容】
1. 机器学习对CO2催化活性的预测｜机器学习入门简单案例 【文章】
1)机器学习材料与化学应用的典型步骤
a)数据采集和清洗
b)特征选择和模型选择
c)模型训练和测试
d)模型性能评估和优化
2)sklearn库介绍
a)sklearn库的基本用法
b)sklearn库的算法API
c)sklearn库的模型性能评估
第三天 常见机器学习方法与实践2
【理论内容】
1. 决策树
1)决策树的原理
2)决策树的应用
2. 集成学习
1)集成学习的原理
2)集成学习的方法和应用
3. 朴素贝叶斯
1)朴素贝叶斯的原理
2)朴素贝叶斯的应用
4. 支持向量机
1)支持向量机的原理
2)支持向量机的应用
【实操内容】
1. 决策树的实现和应用
2. 随机森林的实现和应用
3. 朴素贝叶斯的实现和应用
4. 支持向量机的实现和应用
【项目实操内容】
1. 利用集成学习预测双金属ORR催化剂活性【文章】
1)Sklearn中的集成学习算法
2)双金属ORR催化活性预测实战
a)数据集准备
b)特征筛选
c)模型训练
d)模型参数优化
2. 使用支持向量机预测高熵合金相态【文章】
1)支持向量机的可视化演示
a)绘制决策边界
b)查看不同核函数的区别
2)支持向量机预测高熵合金相态（分类）
a)数据集准备
b)数据预处理
c)特征工程
d)模型训练及预测
3)支持向量机预测生物炭材料废水处理性能（回归）
a)数据集准备
b)数据预处理
c)模型训练及预测
第四天 常见机器学习方法与实践3
【理论内容】
1. 无监督学习
1)什么是无监督学习
2)无监督学习算法-聚类
3)无监督学习算法-降维
2. 材料与化学数据的特征工程
1)分子结构表示
2)晶体结构表示
3. 数据库
1)材料数据库介绍
2)Pymatgen介绍
【实操内容】
1. 无监督学习算法的实现与应用
2. 分子结构的表示
3. 晶体结构的表示
4. 数据库实操
【项目实操内容】
1. 无监督学习在材料表征中应用【文章】
1)K-Means聚类算法
2)石墨烯样品数据集准备
3)二维电镜图像处理
4)聚类及统计
2. 利用机器学习预测高能材料分子性质【文章】
1)高能分子数据集准备
2)从SMILES生成分子坐标
3)从分子坐标计算库伦矩阵
4)测试不同分子指纹方法
5)比较不同特征化方法
6)模型性能评估
第五天 项目实践专题
【项目实操内容】
1.利用机器学习加速发现耐高温氧化的合金材料【文章】
1)合金材料数据集准备
2)数据预处理
3)特征构建和特征分析
4)多种模型训练
5)使用训练好的模型进行推理
2.决策树（可解释性机器学习）预测AB2合金的储氢性能【文章】
1)储氢合金材料数据集准备
2)决策树基本流程
3)动手建立一棵树
4)决策树剪枝
5)决策过程可视化和特征重要性分析
6)分类决策树和回归决策树的区别
3.分子渗透性分类预测
1)使用定量的1D分子描述符和不同的机器学习模型进行QSAR模型的训练和预测
2)使用定性的2D分子描述符和不同的机器学习模型进行QSAR模型的训练和预测
3)比较不同分子描述方法对QSAR模型性能的影响
4. 多层感知机预测单晶合金晶格错配度【文章】
1)PyTorch与Scikit-learn中多层感知机的区别
2)使用PyTorch构建多层感知机
3)训练PyTorch多层感知机模型预测单晶合金晶格错配度
4)PyTorch多层感知机模型参数优化
专题三：深度学习材料专题
第一天：深度学习与材料特征工程
【理论内容】
1.深度学习概述
2.材料特征工程
3. 材料与化学中的常见深度学习方法
4. 应用前沿
【实操内容】
1.Pytorch深度学习框架实操
1)认识Pytorch
2)Pytorch深度学习模型的建立范式
3)为预测任务建立Pytorch深度学习模型
2.Pytorch Lightning框架实操
1)使用Pytorch Lightning训练模型
2)设置最佳保存点和早停
第二天：材料基因组（工具库及数据库）
【理论内容】
1.材料基因组概述
2.材料基因组的基本方法
3.常见材料数据库介绍
【实操内容】
1.Material Project数据库与Pymatgen
1)Material Project数据库实操
2)Pymatgen库实操（matgenb）
2.ASE（Atomic Simulation Environment）实操
3.OQMD数据库数据获取与使用（qmpy_rester）
4.AFLOW数据库数据获取与使用（aflow）
5.材料特征工具Matminer实操
1)Matminer获取材料数据集
2)Matminer生成材料描述符
第三天 常见的深度学习算法、应用及实践1
【理论内容】
1. 卷积神经网络（CNN）
1)CNN的介绍
2)CNN的原理
3)ResNet的介绍及原理
【项目实操内容】
1.CNN入门案例、深度神经网络模型的预训练及微调
1)使用微调的预训练ResNet预测mnist数据集
2)从头开始训练ResNet预测mnist数据集
2.STEM图像生成
1)STEM图像数据读取与处理
2)使用ASE创建原子模型
3)模拟二硫化钼中硫原子的缺失
4)生成硫原子缺失的STEM仿真图像
3.卷积神经网络在合金电镜图片识别的应用【文章】
1)合金电镜数据集介绍及图像预处理
2)构建简单CNN模型进行分类
3)使用预训练模型VGG16进行分类
4)使用预训练模型DenseNet201进行分类
5)模型性能展示
4. 基于粉末X射线衍射图谱的晶体对称性识别CNN模型【文章】
1)XRD图像数据集准备
2)使用PyTorch处理数据集
3)PyTorch训练一维图像数据预测模型
4)PyTorch模型验证和测试
第四天 常见的深度学习算法、应用及实践2
【理论内容】
1. 时序神经网络
1)RNN的介绍及原理
2)LSTM的介绍及原理
3)GRU的介绍及原理
4)Transformer的介绍及原理
【项目实操内容】
1.LSTM&GRU入门案例
1)使用PyTorch实现时序预测模型
2)训练LSTM模型
3)训练GRU模型
4)模型评估
2.基于GRU/Transformer网络预测锂电池的老化轨迹【文章】
1)电池数据集准备与分析
2)原始数据分割与处理
3)训练GRU模型预测电池老化轨迹
4)训练Transformer模型预测电池老化轨迹
5)模型性能评估与预测
3. 基于Transformer对聚合物性质进行预测【文章】
1)聚合物数据集准备
2)对聚合物数据进行特征编码
3)使用预训练的Transformer
4)以K折交叉验证的方式微调Transformer模型预测聚合物性能
第五天 常见的深度学习算法、应用及实践3
【理论内容】
1.生成模型
1)生成对抗网络（GAN）的介绍及原理
2)变分自编码器（VAE）的介绍及原理
3)扩散模型（Diffusion Model）的介绍及原理
2.图神经网络
1)图神经网络（GNN）的介绍及原理
【项目实操内容】
1.基于VAE逆向生成晶体材料【文章】
1)晶体结构体素空间编码
2)使用变分自编码器进行晶体结构自动生成
3)变分自编码器的潜空间采样
2.基于Transformer架构的自回归模型生成指定空间群的晶体材料【文章】
1)基于Transformer架构的自回归模型
2)基于对称性的晶体结构表示
3)使用训练好的自回归模型进行指定空间群的晶体材料生成
3.图神经网络入门、分子图编码及预测
1)图神经网络实操
2)小分子的图表示
3)使用图神经网络对小分子进行分类预测
专题四：机器学习分子动力学专题
基于机器学习的分子动力学
第一部分（分子动力学基础）
1.理论内容
1.1科学研究的四范式：从大数据时代到AI4SCIENCE时代
1.2AI4SCIENCE时代的分子动力学模拟：从传统的经验力场方法和第一性原理方法到机器学习力场
1.3基于机器学习的分子动力学的特点，分类和工作流程，及发展趋势．
2.实操内容：
1.Linux系统与超算服务器的常规操作
2.Python(pycharm或vscode)的基本数据类型与代码调试
3.虚拟环境(Anaconda或Mamba)的使用
3.分子模拟软件介绍
3.1LAMMPS的入门与使用
3.2软件发展趋势与特点
3.3输入文件的详细解析与注意事项
3.4相关势函数的获取渠道
3.5分子模拟轨迹的后处理与分析
3.6机器学习势函数使用
4.OpenMM的入门与使用
4.1软件发展趋势与特点
4.2运行脚本与注意事项
4.3GAFF(Amber)力场的简要介绍
4.4使用sobtop软件和Python快速、自动化生成任意有机分子的力场参数文件（同时也适用GROMACS）
5.量子化学计算软件的介绍与快速上手
5.1CP2K软件的发展介绍与特点：
5.2软件发展趋势与特点
5.3运行命令与赝势文件
5.4使用MULTIWFN快速生成单点能或分子动力学模拟的输入文件
5.5输入文件的字段解释与注意事项
5.6使用Python实现自动化提交任务与任务后处理
5.7在CP2K中使用GFN1-xTB方法，适合新手的入门旋转！
6.ORCA软件的发展介绍与特点：
6.1软件发展趋势与特点
6.2使用MULTIWFN或基于模板快速生成单点能或分子动力学模拟的输入文件及注意事项
6.3使用Python实现自动化提交任务与任务后处理
6.4在ORCA中使用ωB97M-V泛函
7.XTB软件的发展介绍与特点：
7.1软件发展趋势与特点：发展迅猛！年被引用增长率高达87%；能够执行单点能，几何优化，分子模拟等功能
7.2安装与常用命令
7.3几种半经验方法的简要介绍
7.4使用Python实现自动化提交任务与任务后处理
7.5DFTB(简单介绍)
7.6执行单点能，几何优化，分子模拟等
7.7使用Python实现自动化提交任务与任务后处理
8.案例：传统力场方法与机器方法力场方法的对比
8.1使用OpenMM执行有机体系的分子模拟
8.2基于机器学习力场方法，结合LAMMPS执行合金，锂电池体系的分子模拟
8.3使用MDtraj等软件进行模拟结果的后处理分析与Python高质量科研绘图，包括：能量与力的预测曲线，径向分布函数，键长键角二面角分布，电池电压曲线等．
第二部分（机器学习力场的模型设计）
1.理论内容
1.1机器学习与深度学习的快速入门
1.1.1常见概念与分类
1.1.2机器学习的发展历史以及部分理论：通过可视化案例，理解神经网络的通用近似理论
1.1.3神经元，反向梯度下降，损失函数，过/欠拟合，残差连接等基本概念
1.1.4ANN, CNN, RNN, TRANSFORMER等深度神经网络的基本框架的介绍与特点
1.1.5相关学习资源的推荐
1.2科学领域的机器学习模型介绍
1.2.1物理约束/物理对称性
1.2.2高效描述局部环境方法的分类与特点
1.2.3基于核方法或深度神经网络方法
1.2.4基于描述符或分子图方法
1.3基于描述符的机器学习力场模型
1.3.1机器学习力场的开篇工作
1.3.2BPNN模型详解与发展
1.3.3生态最好的机器学习力场模型
1.3.4DeePMD系列工作的详解
1.3.5DeePMD的发展和几种描述符的介绍及特点
1.3.6DeePMD的压缩原理与特点
1.3.7DPGEN的工作原理
1.4基于图框架的机器学习力场模型
1.4.1图神经网络、图卷积网络和消息传递神经网络的发展与理解
1.4.2图神经网络的机器学习力场模型的经典模型
1.4.3SchNet模型的特点与代码实现
1.4.4基于三维空间建模的完备性与效率的几何系列模型:
1.4.5DimeNet,SphereNet和ComENet模型的详解与比较
1.4.6其他机器学习力场模型概述：DTNN和PhysNet等
2.实操内容
2.1DeePMD的离线安装与验证
2.2DeePMD输入文件详解:与理论课的模型框架相对应地进行超参数设定的讲解，及使用经验
2.3DeePMD的常见功能，包括训练，重启，冻结，压缩和测试
2.4DeePMD的常见问题与训练过程的分析
2.5综合使用LAMMPS和DeePMD, 执行高精度的分子动力学模拟
2.6分子模拟的数据后处理与分析
2.7DPGEN软件的介绍与工作流程
2.8DPGEN软件的输入和输出文件：param.json和machine.json文件的参数详解；跨计算分区的提交任务示例；不同量化级别方法的示例
2.9DPGEN软件的常用命令与使用经验，以及不同体系收敛的参考标准
第三部分（高级课程 —— 等变模型系列，领域热点）
1.理论内容
1.1不变系列模型的总结
1.1.1等变模型的概念，特点，分类和应用
1.1.2等变的概念
1.1.3等变模型的分类与特点
1.1.4等变模型的介绍：超高数据利用率与优秀的泛化能力
1.1.5群的简要介绍
1.1.6SO(3)群的简单入门与张量积
1.1.7欧式神经网络(E3NN)的介绍与注意事项
1.1.8高阶等变模型与传统模型，经验力场的区别
1.1.9常见误区的提醒
1.2等变机器学习力场的经典模型:
1.2.1Nat. Commun.上高被引的NequIP模型的详解和代码框架
2.实操内容
2.1DeePMD软件的进阶使用与补充讲解，包括多GPU并行训练
2.2LAMMPS以多GPU并行方式运行机器学习力场模型
2.3使用Python代码快速可视化机器学习力场模型在等变与不变设计上的区别
2.4使用多种机器学习的降维方法，结合K-Means聚类，从分子模拟轨迹中以低冗余方式提取多帧结构文件。
2.5NequIP模型的超参数介绍和使用
2.6复现Nat. Commun.文章结果，包括计算径向分布函数、键角分布等性质
2.7使用wandb进行超参数调优与训练过程中各种信息的可视化分析
第四部分
1.理论部分
1.1高效/高精度的基于ACE的等变模型
1.2ACE方法，消息传递和等变框架的集大成者：MACE模型
1.3方法的完备性，效率和系列发展
1.4MACE模型在多个领域的应用
1.5机器学习力场领域的ChatGPT模型
1.6有机分子体系的通用大模型：MACE-OFF23
1.7几乎涵盖元素周期表所有元素的材料领域的通用大模型：MACE-MP0
1.8其他大模型的简要介绍
1.9适用于大规模GPU并行框架的等变模型
1.10消息传递模型的不足
1.11NequIP团队在Nat. Commun.上的新作－－Allegro模型的方法详解与比较
1.12SevenNet模型的介绍与比较
2.实操部分
2.1MACE模型和Allegro模型的超参数介绍和使用经验
2.2MACE模型与DeePMD模型的对比，包括精度，数据效率等
2.3Libtorch与LAMMPS软件的编译
2.4机器学习力场领域的ChatGPT的使用与分析
2.5快速上手MACE-OFF23和MACE-MP0模型
2.6对通用大模型进行微调与分析
2.7DPA-1和DPA-2的介绍与特点
课程部分案例图片：
课程特色及增值服务
线上授课时间和地点自由，建立专业课程群进行实时答疑解惑，理论＋实操授课方式结合大量实战案例与项目演练，聚焦人工智能技术在材料预测有限元分析与流体力学领域的最新研究进展，课前发送全部学习资料，课程提供全程答疑解惑；
完全贴合学员需求的课程体系设计，定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，发送全部案例资料，永不解散的课程群，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！
增值服务
1、凡参加人员将获得本次课程学习资料及所有案例模型文件；
2、课程结束可获得本次所学专题全部回放视频；
3、课程会定期更新前沿内容，参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程（任意一期）
课程会议完毕后老师长期解疑，课程群不解散，往期会议学员对于会议质量和授课方式一致评价极高！
学员对于会议答疑给予高度评价！
课程时间
深度学习有限元分析：
2024.11.23----2024.11.24（上午9.00-11.30下午13.30-17.00）
2024.11.26----2024.11.27（晚上19.00-22.00）
2024.11.30----2024.12.01（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）
机器学习材料：
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：
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：
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）
课程费用
深度学习有限元分析、机器学习材料、深度学习材料每人每班¥4680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每人每班¥5280元（包含会议费、资料费、提供课后全程回放资料）
早鸟价：
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
同时报名三门课程￥12880元（原价14040元）
年报优惠：20880元可以免费学习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）
