氧化物固体电解质 （OSE） 具有提高锂离子电池安全性和能量密度的潜力，但其高晶界 （GB） 电阻通常是一个瓶颈。在经过充分研究的钙钛矿氧化物固体电解质中，Li3倍洛杉矶2/3-x氧化钛3（LLTO）时，晶界的离子电导率比本体低约三个数量级。相比之下，相关的李0.375锶0.4375Ta0.75锆0.25O3（LSTZ0.75）钙钛矿表现出低晶界电阻，原因尚不清楚。在这里，我们利用像差校正扫描透射电子显微镜和光谱学，以及主动学习矩张量势，揭示了LSTZ0.75晶界的原子尺度结构和组成。首次应用振动电子能量损失谱揭示了LSTZ0.75晶界处的原子分辨振动，并表征了其中原本无法测量的Li分布。我们发现，LSTZ0.75的晶界不存在Li耗尽，这是LLTO晶界离子电导率低的主要原因。相反，LSTZ0.75的低晶界电阻率归因于纳米级缺陷立方钙钛矿界面结构的形成，其中包含丰富的空位。我们的研究为低晶界电阻率的原子尺度机理提供了新的见解。
机器学习方法对材料学研究有着重要的意义。传统的材料研究方法通常需要耗费大量的时间和人力资源，而且只能研究少量的材料。相比之下，机器学习方法可以快速地分析大量的数据，提取数据中的模式和规律，为材料设计和发现提供指导和支持。机器学习方法可以用于材料结构和性能的预测。通过对已知材料的结构和性能进行大规模的数据分析，可以训练出机器学习模型，用于预测未知材料的结构和性能。这种方法可以大大加速材料研究过程，节省研究成本。此外，机器学习方法还可以用于材料发现和优化。通过对已有材料数据的分析，可以发现一些新的材料候选者，并对其进行进一步的实验验证。机器学习还可以指导材料设计，通过预测不同元素或化合物之间的相互作用，帮助设计出具有特定性质的新材料。机器学习方法在材料学研究中具有广泛的应用前景，帮助材料科学家们加快新材料的发现和优化，推动材料科学的发展。
随着计算机的发展，许多诸如第一性原理计算、相场模拟、有限元分析等手段随之出现，用以进行材料的结构以及性能方面的计算，但是往往计算量大，费用大。这些都是限制材料发展与变革的重大因素。近年来，这种利用机器学习预测新材料的方法越来越受到研究者的青睐。2018年，在nature正刊上发表了一篇题为“机器学习在分子以及材料科学中的应用”的综述性文章。文章详细介绍了机器学习在指导化学合成、辅助多维材料表征、获取新材料设计方法等方面的重要作用，并表示新一代的计算机科学，会对材料科学产生变革性的作用。利用机器学习算法训练数据集来构建模型，以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等材料性能，大大推动了机器学习在材料科学领域的发展，并且已经取得重要突破。由于该项研究资料和学习平台较少，信息技术不公开，培训学习迫在眉睫，特此诚挚邀请您参加线上培训课，参会会员已达3000余名！助力学员发表Nature、Science、Cell等正刊及子刊！（在新技术加持下，用更少的经费，发更高质量的文章，2024年！冲顶刊)
最火热门专题推荐
1
一、机器学习材料专题
二、深度学习辅助材料设计专题
第一天
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
Python基础
1.开发环境搭建
2.变量和数据类型
3.列表
4.if语句
5.字典
6.For和while循环
实操内容
Python基础（续）
1.函数
2.类和对象
3.模块
Python科学数据处理
1.NumPy
2.Pandas
3.Matplotlib
第二天
理论内容
1.线性回归
1.1 线性回归的原理
1.2 线性回归的应用
2. 逻辑回归
2.1原理
2.2 使用方法
3. K近邻方法（KNN）
3.1 KNN分类原理
3.2 KNN分类应用
4. 神经网络方法的原理
4.1 神经网络原理
4.2神经网络分类
4.3神经网络回归
实操内容
1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）
2.逻辑回归的实现与初步应用
3.KNN方法的实现与初步应用
4.神经网络实现
项目实操
1.利用机器学习设计高体积模量高熵合金
2.训练机器学习模型预测多孔材料的催化性能
这两个实操项目同时穿插讲解如下内容
A1 机器学习材料与化学应用的典型步骤
A1.1 数据采集和清洗
A1.2 特征选择和模型选择
A1.3 模型训练和测试
A1.4 模型性能评估和优化
第三天
理论内容
1．决策树
1.1决策树的原理
1.2决策树分类
2． 集成学习方法
2.1集成学习原理
2.2随机森林
2.3Bosting方法
3． 朴素贝叶斯概率
3.1原理解析
3.2 模型应用
4. 支持向量机
4.1分类原理
4.2核函数
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
1.使用实验数据训练机器学习模型预测金属有机框架材料中的气体吸附
2.通过机器学习方法筛选新型四元半导体化合物
这两个实操项目同时穿插讲解如下内容
A1 模型性能的评估方法
A1.1 交叉验证：评估估计器的性能
A1.2 分类性能评估
A1.3 回归性能评估
第四天
理论内容
1. 无监督学习
2.1 什么是无监督学习
2.2 无监督算法——聚类
2.3 无监督算法——降维
2. 材料与化学数据的特征工程
2.1分子结构表示
2.2 独热编码
实操内容
1.聚类实现和应用
2.T-SNE的实现和应用
3.PCA的实现和应用
4.层次聚类的实现和应用
5.K-means聚类的实现和应用
项目实操
1. 在机器学习技术的指导下加速钙钛矿材料的发现
2. 机器学习对CO2 封存的解释和预测
第五天
项目实操
1. 分子结构的表示与特征提取
2. 聚类、降维等无监督学习方法应用于分子特征处理
项目实操
1. Fe-N-C 催化剂及其氧还原性能的机器学习研究
2. 设计单原子催化剂的机器学习模型
第六天
项目实操
１.基于分子特征和逻辑回归预测分子性质
2. 基于分子特征的无监督学习综合应用
项目实操
1. 通过机器学习预测 NiCoFe 氧化物催化剂的活性
2. 利用基于成分的能源材料描述符进行机器学习模型的综合预测
第一天（pytorch深度学习框架演练）
理论内容
材料数据库（material project, OQMD, AFLOW）
深度学习入门
图神经网络
材料特征工程
实操内容：
Pytorch深度学习框架演练
Pymatgen介绍及结构文件生成
Pymatgen生成相图，构建表面
Megnet，QM9，JDFT等规模化材料数据集的读取
爬虫获取二维数据集
爬虫获取会议文献和期刊文章的数据
第二天（数据库的数据获取及演练）
实操内容
1. AFLOW数据库的数据获取
1.1 AFLOW数据库功能练习
1.2. 爬虫获取AFLOW数据库的数据
2. OQMD数据库
2.1 OQMD数据库功能练习
2.2 OQMD数据库的数据获取
实操内容
1. material project数据库
1.1 新版material project获取材料XRD、DOS图、能带图、吸收谱等数据
1.2 Pymatgen按照属性要求获取material project材料数据
2. 材料特征工程工具matminer演练
2.1 matminer获取材料数据集
2.2 matminer生成材料描述符演练
第三天（结构数据驱动的高通量计算及案例）
实操和演示内容：
基于结构数据驱动的高通量计算：
1. pymatgen大批量结构获取
2. 基于pymatgen的计算文件生成
3. 大批量计算结果的获取与统计
实操内容：
基于数据驱动的功能材料开发案例一（晶体图神经网络实现材料属性预测）：
1.用PYG搭建图神经网络（GCN、GAT）
2. 晶体图神经网络CGCNN模型代码原理
3. 利用晶体图神经网络实现材料属性预测
第四天（基于数据驱动的多个功能材料开发案例及实操）
实操内容：
基于数据驱动的功能材料开发案例二（半导体材料）：
1. 背景介绍
2. 数据获取
3. 构建特征
4. 传统机器学习和深度学习处理
5. 讨论与评测
实操内容：
1. 基于数据驱动的功能材料开发案例三（钙钛矿材料分类）：
1.1 数据集获取
1.2 构建材料特征
1.3 机器学习训练
1.4 特征可解释性分析
2. 基于数据驱动的功能材料开发案例四（深度学习实现钙钛矿材料性能回归）
2.1 matminer生成材料特征
2.2深度神经网络实现钙钛矿属性预测
2.3传统机器学习与图神经网络预测结果对比
讲师简介
主讲老师来自国内高校孙老师授课，老师擅长利用量子化学方法和机器学习方法预测设计并研究新型能源材料、锂离子电池的电极材料，燃料电池催化剂以及燃料电池体系的整体设计，已在Energy & Materials,Journal of Physical Chemistry Letters, Journal Physical Chemistry C，等权威期刊上发表SCI检索论文近40余篇。老师在我们单位长期授课，参会学员累计三千余人，讲课内容和授课方式以及敬业精神受到参会学员的一致认可和高度评价！人工智能材料化学与深度学习材料更是我们单位的金牌讲师，好评如潮！
机器学习材料时间：
2024.01.26——2024.01.28（上午09：00--11：30下午13：30--17：00）
2024.01.29——2024.01.31（上午09：00--11：30下午13：30--17：00）
深度学习材料设计时间：
2024.01.31（晚上19.00--22.00)
2024.02.01——2024.02.03（上午09.00--11.30下午13.30--17.00）
2024.02.03（晚上19.00--22.00)
培训费用
课程费用
公费价：每人每个课程￥4680元 （含报名费、培训费、资料费）
自费价：每人每个课程￥4380元 （含报名费、培训费、资料费）
套餐价：同时报名两个课程￥9080元 （原价9360元）（含报名费、培训费、资料费）
福利：现在报名一门赠送一门往期课程回放
报名两门赠送两门往期“材料基因组专题、CP2K专题课程”回放
报名学习课程可赠送往期课程回放（可点击跳转详情链接）：
优惠：提前报名缴费学员可得300元优惠（仅限前15名）
优惠: 报名4个课程以上包含4个， 免费学习两整年本单位任意举办的培训
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
1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿
2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握 3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答
授课方式：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高！
学员对于培训给予高度评价
常州大学、电子科技大学、中国科学院大学、新疆工程学院、重庆医科大学、西安石油大学、北京交通大学、中国石油大学（北京）、江苏师范大学、哈尔滨理工大学、东北林业大学、暨南大学、南昌航空大学、浙江大学、青岛大学、山东科技大学、厦门大学、哈尔滨工业大学（深圳）、汕头大学、东北大学、北京航空航天大学、陆军工程大学、天津大学、南阳师范学院、香港大学、温州大学、江苏大学、燕山大学、东华理工大学、武汉工程大学、新疆大学、太原理工大学、华北电力大学、四川大学、广州大学、重庆大学、材料科学姑苏实验室、深圳大学、北京化工大学、燕山大学、西南石油大学、香港科技大学（广州）、厦门大学、东北大学、北京理工大学、南京航空航天大学、中国科学院青岛生物能源与过程研究所、香港城市大学、西安科技大学、厦门理工学院、中国科学院上海硅酸盐研究所、西湖大学中国核动力研究设计院、有研工程技术研究院有限公司、中南大学、福州大学、东风汽车集团股份有限公司乘用车公司、中国科学院金属研究所、贵州大学、上海大策资产管理有限公司、交通运输部公路科学研究所、贝卡尔特（中国）技术研发有限公司、云南大学、哈尔滨工业大学、西安电子科技大学、郑州大学、中国农业大学、滑铁卢大学、重庆理工大学、北京机科国创轻量化科学研究院、中国科学院深圳先进技术研究院、中原工学院、清华大学、中国科学院兰州化学物理研究所、University of Maryland、北京工业大学、安徽财经大学、中国科学与技术大学、商丘师范学院、宝理工程塑料贸易有限公司、中材科技股份有限公司、湖南工商大学、武汉大学、安庆师范大学、广东省科学院生态环境与土壤研究所、南昌航空大学、泉州师范学院、华中科技大学、南京大学、南京工业大学、吉林大学、深圳职业技术学院、西北工业大学、华东师范大学、山东大学、中国科学院空间应用工程与技术中心、中国科学技术大学、嘉兴学院、陕西师范大学、中国科学院上海硅酸盐研究所 、北京石油化工学院、重庆第二师范学院、武汉光钜、上海锦湖日丽塑料有限公司、首都医科大学宣武医院、沈阳工业大学、北京工商大学、中国科学院化学研究所、中创新航技术研究院（江苏）有限公司、中国科学院国家纳米科学中心、KAUSTuniversity、长春应用化学研究所、诺贝丽斯（中国）铝制品有限公司上海分公司、钢铁研究总院、万华化学集团股份有限公、四川奥林涂料工业有限公司、深圳市祥龙琪瑞科技有限公司、隆基乐叶光伏科技（西咸新区）有限公司、Imperial College London、中国航空制造技术研究院、苏州华碧微科检测技术有限公司、MIT、南开大学、防化研究院、中国科学院工程热物理研究所、广东工业大学、陆军装甲兵学院、南方科技大学、上海交通大学、国防科技大学、西安交通大学、中国科学院长春应用化学研究所、卢森堡大学、中国科学院力学研究所、东南大学等。
联系人：叶老师
报名电话：13838281574 ( 微信同号）
邮箱：y13838281574@163.com
