Narue重磅！寒门博士连续3篇国际顶刊！解决胶粘材料历史性难题

2.1 深度学习

2.1.1 概念与原理

2.1.2 常见的深度学习模型（DFN、CNN、RNN、VAE 等）

2.1.3 深度学习在声子晶体等弹性波超材料领域的研究现状

2.1.4 Anaconda 环境与 Pytorch 深度学习框架的安装（包含实操）

2.1.5 Github 查询相关代码

2.1.6 基于 Python 的二维声子晶体样本数据集创建（包含实操）

3.1 用于声子晶体带隙批量计算的 MATLAB 代码

3.1.1 COMSOL 有限元模型以 MATLAB 代码表示

3.1.2 MATLAB 读取并修改 COMSOL 有限元模型

3.2 基于 COMSOL with MATLAB 的带隙数据批量自动生成方法

3.2.1 通过代码更改 COMSOL 有限元模型中的几何和材料参数变量（包含实操）

3.3 数据的整合方法与 Python 代码（包含实操）

3.4 基于 Python 的二维声子晶体带隙可视化处理系统（包含实操）

4.1 总设计流程思路

4.2 训练基本环境与硬件配置及超参数设置

4.3 自编码器 AE：提取数据特征（包含实操）

4.3.1 AE 的基本架构介绍

4.3.2 AE 训练

5.1 前馈神经网络 DFN：建立拓扑构型与带隙之间的联系（包含实操）

5.1.1 DFN 的基本架构介绍

5.1.2 DFN 训练

5.2 训练与验证

5.3 拓扑构型与带隙结果的真实值与测试值预测对比（包含实操）

5.1 基于目标带隙反向设计结构

5.2 组合扩大衰减域，建立 COMSOL 有限元模型

5.2 频域分析、谐响应分析和位移场分析

5.3 地震动时程分析

5.3.1 地震动时程分析教学讲解（包含实操）

5.3.2 隔震性能结果展示（以 Helena Montana-02 地震波和 Chi-Chi 地震波为例）

5.4 课程总结

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

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

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

3. 数据库

3.1材料数据库介绍

3.2 Pymatgen介绍（实操内容）

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. 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

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

1.学习Material Project，AFLOW，OQMD三大材料数据库的数据获取方法。

2.学习卷积神经网络、循环神经网络和晶体图神经网络等深度学习方法在材料预测方面的应用。

3.学习主流材料数据库的数据获取方法；

4.深度学习方法在材料预测方面的应用。

第二天上午

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

第二天下午

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

第三天上午

理论内容

卷积神经网络（CNN）基础

卷积层、池化层、卷积核、特征图

经典的CNN架构，如LeNet、AlexNet、VGGNet、GoogLeNet和ResNet

循环神经网络（RNN）基础

时间步和隐藏状态、梯度消失和梯度爆炸、RNN的变体

实操和演示内容

基于CNN方法训练扫描电镜图像对锂离子阴极成分及状态的预测

基于RNN和CNN辅助识别有序结构

第三天下午

实操内容

基于数据驱动的功能材料开发案例二（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 

第四天上午

长短期记忆网络、门控网络的架构与原理

输入门、遗忘门、输出门

自注意力机制、多头注意力机制、位置编码、残差连接、编码器和解码器

Transformer

实操内容（：

基于LSTM、GRU的分子生成模型

Transformer用于聚合物性质预测

第四天下午

理论内容（

自回归模型、自编码器、序列生成模型

变分自编码器（VAE）基础

生成对抗网络（GAN）基础

实操内容（约2小时）：

GAN模型的构建

训练GAN进行材料属性预测

GAN在材料设计中的案例研究

自编码器和变分自编码器的训练

变分自编码器在材料设计中的应用

部分案例图片

课程费用

深度学习超材料逆向设计、机器学习材料、深度学习材料

公费价：每人每个专题课程￥4980元 （含报名费、培训费、资料费等）

自费价：每人每个专题课程￥4680元 （含报名费、培训费、资料费等）

套餐价：同时报名两个课程￥9680元 报二赠一（含报名费、培训费、资料费等）

福利：

报名两门赠送一门专题课程并且赠送下方三门课程回放视频（回放视频可点击跳转详情链接）：

机器学习分子动力学       材料基因组专题        CP2K视频回放专题

优惠：提前报名缴费学员可得300元优惠（仅限前15名）

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