一、培训时间和地点
时间：2024年11月22日-11月24日
上午9：00-11:30 下午13:30-17：30
地点：线上腾讯会议，请在开课前添加客服微信获取
二、培训内容
本次培训将全面介绍最新的机器学习技术及其在材料科学中的应用案例。课程内容涵盖机器学习基础、先进的算法应用、数据驱动的材料设计和优化，以及机器学习势的具体实现和应用。
对于参加培训的学员，将获得以下权益：
VASPKIT开发团队将免费提供VASPKIT纪念品和VASPKIT Pro商业版一年的使用权。 TEFS团队将为此次培训提供全程TEFS平台使用指导与培训的CPU算力支持。 免费体验NVIDIA V100加速的VASP版本。
课程安排（培训采用TEFS平台，学员需要自备电脑，红色部分为本次培训新增内容）
（1）Python基础与回归机器学习模型（第1天）
1. Python基础：
1.1 Python环境及常用Package安装（Anaconda3）、基础语法、Pandas和Matplotlib使用介绍
2. 机器学习简介：机器学习模型、数据集构建、模型评估
2.1 机器学习模型：监督学习（分类模型/回归模型，LR、KRR、Xgboost、CGCNN）、非监督学习（K-Means算法） 2.2 数据集构建：材料结构与性质获取（Materials Project、OQMD、AFLOW、C2DB、Pymatgen）、特征工程（SISSO、Matminer、Dscribe）、特征搜索算法、特征解释 2.3 模型评估：R2、MSE和MAE；混淆矩阵、准确率、精确率、召回率、F1和AUC等
3.1 项目一：机器学习预测材料力学性质（回归模型） 3.2 项目二：机器学习预测金属/绝缘体（分类模型） 3.3 项目三：神经网络在材料性质预测中的应用案例
（2）机器学习力场（第2天）
1. GPUMD&NEP框架的理论与基础
1.1 分子动力学模拟的基本概念 1.2 机器学习势的理论基础 1.3 NEP与GPUMD结合的高效工作流程
2. 神经演化势函数（NEP）的训练及其在GPUMD中的运行
2.1 GPUMD的输入与输出 2.2 GPUMD中的系综 2.3 NEP的输入与输出 2.4 NEP在GPUMD中运行所需要的输入文件 2.5 如何在LAMMPS中运行NEP 2.6 如何使用NEP的Python接口，Calorine包
3.1 项目一：二维材料的力学性能 3.2 项目二：金属有机框架(MOF)材料的热导率计算 3.3 项目三：金刚石-非晶碳的熔化–淬火–退火模拟 3.4 项目四：MO和LiH热膨胀行为的路径积分分子动力学模拟
（3）图神经网络和等变图神经网络（第3天）
1. 不同机器学习力场的分类，原理及其效果
1.1 基于fingerprint的机器学习力场，图神经网络，等变图神经网络MACE，NequiP，PaiNN，Equiformer等
2. 手把手教你写等变图神经网络势（PaiNN，Equiformer）
2.1 数据的获取与处理 2.1.1 利用ASE和PyTorch读取并处理DFT计算结构 2.1.2 邻接矩阵Neighbor list计算 2.2 利用PyTorch复现文献中的等变图神经网络结构 2.3 等变图神经网络势的训练和调参 2.4 编写机器学习势与ASE的接口，使用训练好的等变图神经网络势进行分子动力学模拟
3.1 不同主动学习策略的对比 3.2 利用不确定性衡量机器学习势的可靠性
4.1 使用大模型进行原子模拟 4.2 预训练模型的微调 4.3 使用微调后的预训练模型完成原子模拟
三、 培训师资
杨老师(讲授第3天)：清华大学博士后，先后在西北工业大学和清华大学获得学士学位和硕士学位。之后荣获Calsberg Foundation PhD fellowship，赴丹麦科技大学追求博士学位。博士师从新能源材料模拟计算与人工智能领域权威专家Prof. Heine Anton Hansen、Prof. Tejs Vegge和Prof. Klaus-Robert Müller。他致力于运用机器学习技术推动新能源材料研究的进展，擅长图神经网络势的开发及其应用，其研究成果已在Adv. Mater.、Adv. Sci.、Adv. Func. Mater.、Chem. Sci.、Nat. Commun.等学术期刊上发表共计18篇SCI论文。
应老师(讲授第2天)：特拉维夫大学博士后，于2022年在哈尔滨工业大学（深圳）获得博士学位。目前从事固体材料力学性质和热导率的原子模拟计算研究。近年来，采用机器学习势函数应用于结构超滑体系和预测柔性多孔晶体材料的声子输运行为。以第一作者及通讯作者已发表十余篇同行评审论文。
唐老师(讲授第1天)：主要从事光电、铁电、压电等性质模拟计算研究。以第一作者或者通讯作者在Sci. Adv.、Mater. Horiz.、J. Am. Chem. Soc.、ACS. Energy Lett.、Nano Lett.、Phys. Rev. B等期刊发表论文二十余篇，引用5000余次（谷歌学术)。
邵老师(讲授第1天)：腾讯应用研究员，于2020年在清华大学获得硕士学位。当前研究方向为云计算、第一性原理计算与机器学习的交叉领域，同时兼任腾讯材料计算模拟平台TEFS的运营负责人。
四、 培训收费：
| 类别 | 价格 |
|---|---|
| 早鸟价（11月17日前） | 2400元/人 |
| 正常价 | 2600元/人 |
| 团报价（3人及以上） | 2300元/人 |
注：报名截止时间为11月22日。
五、缴费方式(可以开发票)：
1.请将报名费通过银行汇款至培训举办单位“西安爱凯淇科技有限公司”账户：
开户名称：西安爱凯淇科技有限公司
开户银行：中国工商银行股份有限公司西安东大街支行
账号：3700020209200180423
统一社会信用代码：91610103MA7C1GU51T
请务必在汇款后留言：VASPKIT培训班+姓名+联系电话，以便及时确认您的汇款，汇款成功后请扫描或者截图汇款回执通过E-mail发送至邮箱（vaspkit@gmail.com)。
2.可直接扫码支付，请在支付时备注：VASPKIT培训班+姓名+联系电话(备注受到长度限制时请备注姓名+联系电话)，以便及时确认您的汇款。
客服联系(报名成功的同学务必添加客服微信)：
注：扫码不成功的可以通过13621344001添加客服。
后记:
随着科学研究方法的不断进步，基于人工智能的第五科学范式（AI for Science）正逐步取代数据驱动的第四科学范式。这一变革在材料科学领域尤为展现出巨大的潜力。今年诺贝尔化学奖和物理奖的双双花落人工智能领域，更彰显了AI在推动科学进步中的非凡价值。
在材料科学中，机器学习不仅能够从海量数据中挖掘材料描述符与目标性能之间的深层关联，还能高效预测新材料的各种性质，大幅缩短开发周期。作为该领域的前沿技术，机器学习势（Machine Learning Potentials, MLPs）通过学习大量的第一性原理计算数据，构建出准确且高效的原子间相互作用力模型。这些模型使得研究材料在大尺度下的新奇物理性质成为可能，为材料科学研究带来了革命性的变化（如下图所示）。
通用机器学习势模型性能排行榜
基于这一契机，我们隆重推出一系列关于机器学习和机器学习势在材料领域应用的专题培训课程。此次专题培训将全面介绍最新的机器学习技术及其在材料科学中的应用案例，旨在帮助研究人员和工程师掌握前沿技术，推动科研与产业的发展。课程内容涵盖机器学习基础、先进的算法应用、数据驱动的材料设计和优化，以及机器学习势的具体实现和应用。我们诚邀有志于推动材料科学进步的科研人员、工程师和学术界人士参加，共同探索这一激动人心的领域，助力科技创新，开创未来。
VASPKIT作为VASP的前后处理软件，已被来自100多个国家的研究者广泛使用，包括哈佛大学、普林斯顿大学、麻省理工学院、加州大学伯克利分校、剑桥大学、东京大学及国内众多高校的师生。该软件的下载量超过2000次/月，他引超过100次/月，已被Nature、Science、Nature Physics、Nature Materials、Nature Chemistry、Nature Photonics、Nature Catalysis、Nature Communications、Science Advances、PRL和JACS等期刊引用3000余次（谷歌学术）。VASPKIT论文入选2021年度中国百篇最具影响力的国际学术论文之一，并在2018-2022年物理学领域研究论文中，获得引用数最多的中国学者论文中排名第四。
TEFS平台介绍链接：
VASPKIT Pro入驻腾讯TEFS，共同推进计算材料发展
VASPKIT和ATOMKIT相关链接：
https://vaspkit.com
https://vaspkit.com/atomkit.html
https://sourceforge.net/projects/vaspkit/files/Binaries
诚挚邀请您一同参与，共同探索机器学习领域的深度和广度！