最近开发的永磁体具有专门设计的非均匀磁相微观结构，被认为是由 Nd 组成的均质单主相硬磁体的经济型替代品2铁14B，而不会影响性能。在这项研究中，我们对 Ce-取代的非均匀 Nd 的核壳球团集群模型进行了全面检查2-δCeδ铁14B 相与均匀磁相，利用有限元微磁仿真和机器学习方法。这涉及对根据集群模型计算的单个退磁曲线进行细致的逐球分析。逐晶分析揭示了这些单独的退磁曲线可以阐明每个球体的成核和矫顽力场的整体磁化反转。此外，据观察，富 Nd 球体表现出更宽的成核和矫顽场分布范围，而 Nd-lean 球体表现出相对较窄的范围。为了确定导致成核场显着差异的关键参数，我们构建了一个机器学习回归模型。该模型利用了大量超参数集，并通过非常快速的模拟退火算法进行了优化，以确保可靠的训练。使用核 SHapley 加性解释 （SHAP） 技术，我们推断 11 个参数中的杂散场与矫顽力密切相关。我们通过建立基于经典微磁理论中特征值问题的分析模型，进一步证实了机器学习模型的推理。我们的逐晶解释可以指导 Nd 颗粒硬磁体的优化设计2铁14B 和其他丰富的稀土过渡元素，通过仔细调整微观结构和元素组成，专注于非凡的性能。
深度学习有限元分析专题
随着计算能力的持续提升和深度学习技术的迅猛发展，有限元分析（FEA）正面临着重大的转型机遇。有限元方法作为解决复杂物理问题的强大工具，广泛应用于工程、物理学和材料科学。然而，传统的有限元方法在处理高维数据、复杂材料行为和非线性响应时存在一定的局限性。具体而言，模型的构建和求解效率往往依赖于大量的先验知识和经验，导致在复杂应用场景中面临挑战。这种情况下，深度学习的强大数据驱动能力为有限元分析带来了新机遇。
近年来，深度学习已在多个领域取得显著进展，尤其是在图像处理、自然语言处理和预测建模等任务中展现出强大的性能。这种技术的迅速发展使得研究者们开始探索其在科学计算和工程应用中的潜力。通过构建深度神经网络，研究者能够有效识别和建模复杂的非线性关系，从而提升有限元分析的精度和效率。例如，结合深度学习与有限元方法的研究已在弹塑性材料建模、结构优化及流体动力学中展示出显著的优势，推动了这些领域的前沿发展。
结合深度学习与有限元分析，不仅可以加快数据处理和模型训练的速度，还能够提高对复杂材料行为的理解。通过利用深度学习技术，研究者们能够在更高的层面上进行材料模型的创新，克服传统方法的限制。同时，这种结合也为工程师和科学家提供了更灵活的工具，以应对不断变化的工程挑战。在此背景下，培训课程的设计旨在使学员掌握深度学习与有限元分析的基本理论和应用，为其未来在相关领域的研究与实践奠定坚实基础。
深度学习流体力学专题
在当今科技快速发展的时代，人工智能，特别是深度学习技术，已在各个领域展现出巨大的潜力，流体力学也不例外。传统的计算流体力学（CFD）方法在处理复杂流场时往往面临诸多挑战，如高计算成本和有限的适应性。随着数据驱动方法的兴起，智能流体力学应运而生，结合深度学习技术，能够有效提升流体仿真和分析的效率。
智能流体力学通过利用大量数据，特别是仿真实验和模拟数据，训练模型以识别流体行为的规律。这种方法不仅能够优化现有的流体力学模型，还能处理复杂的流动现象，例如涡流、震荡和湍流等。在工业应用中，从航空航天到环境科学，智能流体力学的应用正在逐渐改变传统的设计和分析过程，推动其向更智能化和高效化的方向发展。
本课程旨在通过系统的培训，帮助学员掌握智能流体力学的核心概念和实用技能。课程内容结合最新的学习资料和实践案例，使学员能够在流体力学的研究与应用中灵活运用深度学习算法，提升自身的研究能力和行业竞争力。通过理论与实践的结合，学员将在智能流体力学的前沿领域中具备更强的创新能力。
深度学习超材料逆向设计专题
以数据为载体的计算机革命为弹性波超材料设计带来了前所未有的创新方法。通过建立函数替代模型，基于人工神经网络架构的深度学习算法在超材料设计过程中展现出了显著的快速性与准确性，成功弥补了传统设计方法（如试错法、与数值分析结合的优化算法等）的不足。
由于超材料特征参数与其性质（如带隙、能带曲线、传递系数等）存在映射规律，无论这个规律有多复杂，深度学习模型都可以模拟。所以，一般而言，只要提供足够的数据，并构建合理的深度学习模型，超材料的前向预测就能够实现。基于深度学习的超材料参数设计方法也已经取得了较大的发展，出现了如MLP、MLP+GA和TNN等优秀的模型，并且大量研究成果表明了这几类模型的高效性。此外，拓扑设计具有设计域广的优势，但是由于拓扑构型的高维性和离散性，超材料拓扑设计的难度大大增加。为此，学者们开发了基于CGAN、CVAE以及VAE-based等的深度学习模型，以降低拓扑设计难度，实现更广域的超材料设计。
深度学习在助力超材料逆向设计创新方面，展现出了显著的优势和潜力。具体体现为：快速精确的设计能力、强大的数据处理能力、设计灵活性和可扩展性、促进跨学科融合。深度学习模型可以根据特定的需求或标准快速生成新的设计。这种灵活性使得超材料设计能够满足不同领域和应用的特定需求。深度学习逆向设计不仅依赖于实验数据，还结合了弹性波理论、固体物理学等理论支持。这使得设计方案具有更强的科学性和理论深度。超材料在航空航天、生物医学、土木工程等领域具有广泛应用前景。深度学习逆向设计可以针对不同领域的需求，快速生成满足性能要求的超材料设计方案，推动了这些领域的技术进步和创新发展。
综上所述，基于深度学习的超材料研究已经取得了较大的进展，形成了较为完备的体系。深度学习在超材料逆向设计中具有快速精确的设计能力、高效的数据处理能力、强大的泛化能力、物理洞察的提供以及灵活性和可扩展性等优势。这些优势使得深度学习成为超材料逆向设计中不可或缺的工具和方法。
学习目标
深度学习有限元分析目标：
本课程旨在为学员提供深度学习与有限元分析结合的系统性知识，确保学员在理论与实践中都能掌握核心概念和应用技能。课程内容将涵盖有限元方法的基本原理，包括如何使用 Python 和 FEniCS 进行偏微分方程的求解，确保学员对有限元分析的基础有充分的理解。此外，课程还将探讨如何利用深度学习模型（如卷积神经网络）来增强有限元分析的能力，通过案例研究和实际代码示例，使学员能够在实际应用中运用所学知识。
在课程中，学员将深入了解现代深度学习技术如何为有限元方法提供新的视角与工具，包括无监督学习和强化学习的应用。例如，通过学习如何使用机器学习进行有限元分析，学员将掌握如何从大量仿真数据中提取有价值的信息，并将其转化为高效的材料模型。与此同时，课程将介绍高效的模型训练策略和数据增强技术，以提高模型的准确性和泛化能力。
最后，本课程将强调理论与实践相结合，学员将在课程结束时能够独立完成一个基于深度学习的有限元分析项目，涉及从数据准备到模型训练，再到结果分析的整个流程。通过这种全面的学习体验，学员将为未来在材料工程、结构分析及相关领域的研究与应用奠定坚实基础，具备解决复杂工程问题的能力。
深度学习流体力学目标：
本课程旨在为学员提供深度学习与有限元分析结合的系统性知识，确保学员在理论与实践中都能掌握核心概念和应用技能。课程内容将涵盖有限元方法的基本原理，包括如何使用 Python 和 FEniCS 进行偏微分方程的求解，确保学员对有限元分析的基础有充分的理解。此外，课程还将探讨如何利用深度学习模型（如卷积神经网络）来增强有限元分析的能力，通过案例研究和实际代码示例，使学员能够在实际应用中运用所学知识。
在课程中，学员将深入了解现代深度学习技术如何为有限元方法提供新的视角与工具，包括无监督学习和强化学习的应用。例如，通过学习如何使用机器学习进行有限元分析，学员将掌握如何从大量仿真数据中提取有价值的信息，并将其转化为高效的材料模型。与此同时，课程将介绍高效的模型训练策略和数据增强技术，以提高模型的准确性和泛化能力。
最后，本课程将强调理论与实践相结合，学员将在课程结束时能够独立完成一个基于深度学习的有限元分析项目，涉及从数据准备到模型训练，再到结果分析的整个流程。通过这种全面的学习体验，学员将为未来在材料工程、结构分析及相关领域的研究与应用奠定坚实基础，具备解决复杂工程问题的能力。
深度学习超材料逆向设计目标：
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）
深度学习有限元分析专题
深度学习流体力学专题
深度学习超材料逆向设计专题
讲师介绍：
深度学习有限元分析主讲老师：深度学习有限元模拟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。
深度学习流体力学主讲老师：深度学习流体力学主讲老师来自国家“双一流”建设高校 、 “985 工程”“211 工程”重点高校。流体力学专业，擅长机器学习辅助湍流建模研究。第一作者在Journal of Fluid Mechanics、Physical Review Fluids和Physics of Fluids等流体力学顶级期刊发表15篇论文，并在国际与国内流体力学会议期刊发表5篇论文，担任JFM，POF和AMS等多个杂志的审稿人。
深度学习超材料逆向设计主讲老师来自主讲老师来自国家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。
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：深度学习流体力学专题
第一天：理论基础与模型案例初步实操
模块一：深度学习与流体力学基础理论（理论 40%，实操 60%）
1.深度学习、有监督学习、无监督学习基本概念及在流体力学中的潜在应用。
2.全连接神经网络、拓展模型 DNN 、CNN、DCNN结构及原理。
3.图神经网络（GNN）、图卷积神经网络（GCN）剖析。
4.在时间序列数据处理中RNN、LSTM 的原理及与流体力学的关联。
5.残差网络 ResNet 核心思想及流体力学应用可能性。
6.生成对抗网络基本结构及在流体力学模拟数据生成中的作用。
7.强化学习、深度强化学习（DQN）核心思想与流体力学优化问题探讨。
8.深度学习架构 Transformer 原理及流体力学应用方向。
模块二：传统流体力学理论回顾（理论 40%，实操 60%）
1.流体力学概念及其基本方程（质量守恒方程、动量方程、能量方程）讲解。
2.求解N-S方程的方法和技术介绍。
3.流体力学在工业领域的实际应用案例分析。
4.流体力学仿真工具概述及操作实例展示。
5.流体力学问题求解的算法（数值方法和计算技术）原理。
第二天：数据处理、数据驱动实操和物理信息神经网络应用
模块一：数据驱动方法在流体力学中的应用（理论 30%，实操 70%）
1.数据驱动技术与传统计算流体力学（CFD）的对比分析；
2.使用 Python 处理 CFD 数据的实操；
3.深度学习技术求解 CFD 问题的实践；
模块二：机器学习与流体动力学融合基础（理论 30%，实操 70%）
1.有限体积法进行 CFD 数值模拟的实操；
2.机器学习技术在计算流体动力学（CFD）问题中的初步处理实操；
3.机器学习在离散与连续流体预测中的初步应用实操。
模块三：物理信息神经网络实操（理论 30%，实操 70%）
1.讲解PINNs的基本原理及其在实际应用中的效果；
2.使用PINN模型求解N-S方程以模拟复杂的流体动力学问题；
3.PINNs模型在解决CFD流体动力学问题中的具体应用与实践；
4.基于Transformer网络架构的几何编码与流场预测网络模型；
5.基于湍流预测的物理深度学习Turbulent-Flow-Net。
第三天：OpenFOAM 与深度学习结合（理论 20%，实操 80%）
1.OpenFOAM 框架结构剖析、环境编译、安装和配置讲解与实操；
2.使用体力学可视化分析工具Paraview 进行仿真实操；
3.foamToVTK 及使用 VTK 进行 OpenFOAM 数据处理与分析实操；
4.在 Ubuntu平台使用 Python 脚本与 OpenFOAM 进行数据交互和自动化处理；
5.实操OpenFOAM 流体力学求解器实际应用场景和方法讲解与实操；
6.OpenFOAM 仿真数据采集、生成、转换和提取关键特征实操；
7.使用 OpenFOAM 仿真数据训练简单神经网络模型并进行流体力学预测实操；
第四天：ANSYS Fluent 与深度学习结合（理论 20%，实操 80%）
1.ANSYS Fluent 安装和配置、流体力学架构与功能模块剖析；
2.Python 与 ANSYS Fluent 进行交互和自动化操作实操；
3.有效地采集和生成 ANSYS Fluent 的仿真数据实操；
4.生成仿真数据转换为不同格式以便后续分析的实操；
5.Fluent 模拟的数据预处理及关键特征提取分析实操；
6.使用 ANSYS Fluent 仿真数据构建并训练较复杂神经网络模型进行预测与优化实操。
第五天：项目实战与前沿论文剖析应用（理论 20%，实操 80%）
一、U - Net 架构在智能流体力学中的应用实操
1.剖析基于 U - Net 深度学习的翼型流场识别及深度学习方法。
2.使用密集 U - Net 进行压力轮廓预测 CFD 的原理讲解与实操。
二、图神经网络架构在智能流体力学中的应用实操
1.用于编写和训练基于图神经网络的计算流体动力学应用程序求解器。
2.剖析图神经网络的 CFD 模型预测在不同物理参数下的流场。
3.剖析物理信息神经网络驱动的气泡流体力学方法。
4.剖析混合图神经网络的 CFD 计算模型加速流体预测。
三、扩散模型在智能流体力学中的应用实操
1.剖析高保真流场重建的物理信息扩散模型。
2.使用去噪扩散概率模型进行翼型流动模拟的不确定性替代模型的原理讲解与实操
四、深度神经网络与强化学习在智能流体力学中的应用实操
1.剖析翼型可压缩湍流的高精度深度学习推理。
2.使用有限体积神经网络预测非稳定不可压缩流体动力学原理讲解与实操.
3.剖析深度卷积神经网络的翼型周围流场快速预测的原理讲解与实操.
专题三：深度学习超材料逆向设计专题
第一天：弹性波超材料与深度学习的基本理论
1.1 弹性波超材料
1.1.1 弹性波超材料概念
1.1.2 超材料应用前景
1.1.3 计算方法
1.1.4 带隙机理
1.1.5 COMSOL商用有限元软件安装
1.1.6 案例1：基于传递矩阵法的一维周期超材能带曲线计算（包含实操）
1.1.7 案例2：基于有限元的二维周期超材料能带曲线计算（包含实操）
1.1.8 案例3：基于有限元的二维周期超材料频域与时域响应计算（包含实操）
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(MLP, CNN, RNN)
2.1.3 Tensorflow深度学习框架安装与演练（包含实操）
2.1.4 数字图片数据集下载（包含实操）
2.1.5 数字识别深度学习模型搭建（包含实操）
第二天：数据集批量自动生成方法
2.1 COMSOL with Matlab介绍
2.2 如何获取用于弹性波超材料计算的基础Matlab代码（包含实操）
2.2.1 COMSOL有限元模型以Matlab代码表示
2.2.2 Matlab读取并修改COMSOL有限元模型
2.3 参数变量控制的数据批量自动生成方法与Matlab代码（包含实操）
2.3.1 参数变量特性与定义规则
2.3.2 Matlab更改COMSOL有限元模型中的几何和材料参数
2.4 拓扑变量控制的数据批量自动生成方法与Matlab代码（包含实操）
2.4.1 拓扑构型定义与范围选取
2.4.2 Matlab定义COMSOL有限元模型的拓扑结构
2.5 数据整合方法与Python代码（包含实操）
第三天：正向预测
3.1 正向预测研究现状
3.2 正向预测深度学习模型及其原理
3.2.1 SVM
3.2.2 MLP
3.2.3 CNN
3.3 用于正向预测的数据集介绍
3.3.1 一维周期超材料的参数变量数据集
3.3.2 二维周期超材料的拓扑变量数据集
3.4 基于MLP的一维周期超材料带隙预测与代码讲解（包含实操）
3.4.1 基于Python和Tensorflow的MLP模型构建
3.4.2 训练与验证
3.4.3 基于R2的带隙预测精度测试评估
3.5 基于CNN的二维周期超材料能带曲线预测与代码讲解（包含实操）
3.5.1 基于Python和Tensorflow的CNN模型构建
3.5.2 训练、验证与测试
3.5.3 真实值与测试值对比图的批量生成
第四天：参数设计
4.1 参数设计研究现状
4.2 用于参数设计的深度学习模型及其原理
4.2.1 MLP
4.2.2 MLP+GA
4.2.3 强化学习
4.2.4 TNN
4.3 用于参数设计的数据集介绍
4.4 基于TNN的一维周期超材料参数设计与代码讲解（包含实操）
4.4.1 TNN模型的搭建方式
4.4.2 设计参数的批量保存与验证
4.5 参数设计结果的分析与讨论（包含实操）
4.5.1 设计精度的评估方式及其代码
4.5.2 设计的非唯一性
第五天：拓扑设计
5.1 研究现状
5.2 用于拓扑设计的深度学习模型及其原理
5.2.1 CGAN
5.2.2 CVAE
5.2.3 VAE-based模型
5.3 用于拓扑设计的数据集介绍
5.4 基于VAE-based模型的二维周期超材料拓扑设计与代码讲解（包含实操）
5.4.1 VAE-based模型的搭建方式
5.4.2 设计拓扑构型的批量保存和验证
5.5 拓扑设计分析方式（包含实操）
5.6 多目标拓扑优化（包含实操）
5.7 课程总结
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计算光学成像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
深度学习流体力学：
2024.11.12（下午13.30-17.00，晚上19.00-21.30）
2024.11.13----2024.11.14（晚上19.00-22.00）
2024.11.15----2024.11.17（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）
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、10.24----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）
课程费用
课程费用：
深度学习有限元分析、深度学习流体力学
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专题
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）
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
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｜王老师
咨询电话｜17654576050（微信同号）
