在材料科学的浩瀚领域中，机器学习正逐步展现其作为变革性工具的学术潜力。随着材料设计空间的不断扩展，传统的研究方法在面对复杂多变的材料性质与结构时，往往显得力不从心。机器学习技术的引入，为这一困境提供了全新的解决方案，其强大的数据处理与分析能力，正引领着材料科学向更加精确、高效的研究范式转变。
在学术研究的视角下，机器学习通过深入挖掘材料数据中的隐藏规律，为材料性能的预测与优化设计提供了强有力的支持。通过构建复杂的数学模型，机器学习算法能够处理并解析大规模、高维度的数据集，揭示出材料性质与结构之间的内在联系。这一过程不仅促进了材料科学理论的深化，还为新材料的开发与应用提供了坚实的理论基础。
从金属材料的性能优化到新能源材料的开发，从有机材料的合成设计到生物医用材料的创新应用，机器学习都展现出了其独特的优势和潜力。这些研究成果不仅推动了相关领域的学术进步，也为材料科学的未来发展奠定了坚实的基础。
在材料科学的浩瀚领域中，机器学习正逐步展现其作为变革性工具的学术潜力。随着材料设计空间的不断扩展，传统的研究方法在面对复杂多变的材料性质与结构时，往往显得力不从心。机器学习技术的引入，为这一困境提供了全新的解决方案，其强大的数据处理与分析能力，正引领着材料科学向更加精确、高效的研究范式转变。
在学术研究的视角下，机器学习通过深入挖掘材料数据中的隐藏规律，为材料性能的预测与优化设计提供了强有力的支持。通过构建复杂的数学模型，机器学习算法能够处理并解析大规模、高维度的数据集，揭示出材料性质与结构之间的内在联系。这一过程不仅促进了材料科学理论的深化，还为新材料的开发与应用提供了坚实的理论基础。
从金属材料的性能优化到新能源材料的开发，从有机材料的合成设计到生物医用材料的创新应用，机器学习都展现出了其独特的优势和潜力。这些研究成果不仅推动了相关领域的学术进步，也为材料科学的未来发展奠定了坚实的基础。
深度学习光学设计专题
机器学习材料专题
深度学习材料专题（五天内容详情点击名称查看）
机器学习锂离子电池专题（五天内容详情点击名称查看）
深度学习光学成像专题（五天内容详情点击名称查看）
学习目标
深度学习光学设计：
1.基于深度学习的光网络的培养目标主要集中在培养具备现代光学理论基础和深度学习技术知识的高级专业人才。他们不仅需要熟悉现代光学的原理，还需要掌握深度学习算法的原理和应用，能够结合深度学习和现代光学原理设计出具有光学加速功能的器件。
2. 初步掌握构建深度学习模型所需的使用的工具，学会搭建深度学习开发环境。让初学者能够使用深度学习框架搭建常用神经网络模型，了解模型训练过程中出现的问题并掌握常用的解决办法。
3. 熟悉超材料的发展现状，基本掌握多物理场仿真软件，并能够使用该软件计算光子晶体 的能带并对仿真结果做后处理。了解超表面在光学以及量子领域方面的应用，学会使用仿真软件对超表面结构进行仿真以及后续的结果分析。
4. 知道MATLAB与COMSOL以及Python间的交互方式，学会使用 Python处理COMSOL导出的数据，了解如何使用 MATLAB 将 COMSOL 的数据导出并处理为 Python 能读取的数据。
5. 了解硅基光网络的发展现状，知道矩阵分解的原理，学会使用深度学习框架去搭建一个基于MZI的模型框架并将其应用在深度学习实例上。
6. 未来利用光的加速功能，基于片上的光网络可以设计出具有加速功能的光芯片。基于衍射网络，则可以在自由空间上设计出快速成像系统，加速自动驾驶的图像识别。
7. 利用深度学习模型，可以克服传统基于全波模拟的设计方法的劣势，可以快速给出给定 结构的目标响应，加速光学设计的过程。
机器学习材料目标：1.掌握Python编程基础及其在科学计算中的应用：学会利用Python进行数据处理、模型构建与可视化，熟悉NumPy、Pandas等工具。
2.理解材料与化学中的机器学习方法：掌握线性回归、逻辑回归、决策树、支持向量机等常见算法的基本原理与应用。
3.应用机器学习解决材料科学问题：通过项目实践，深入理解数据采集、特征选择、模型训练与评估等步骤，学会使用sklearn等工具库完成任务。
4.了解材料数据的特征工程与数据库应用：学习如何表示分子结构与晶体结构，并了解常见材料数据库的使用方法。
5.提升实战能力并引导深入学习：通过多样化的项目实践案例，巩固课程内容，为后续深度学习等更复杂算法的学习打下基础。
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）
深度学习光学设计专题内容
01
01
第一天
第一章 导论
02
第二天
第三章 深度学习
第一节 机器学习
第二节 机器学习中的关键组件
2.1 数据
2.2 模型
2.3 损失函数
2.4 优化算法
第三节 机器学习的分类
3.1 监督学习
3.2 无监督学习
3.3 半监督学习
3.4 强化学习
3.5 迁移学习
第四节 深度学习
4.1 深度学习的发展历程
4.2 深度学习的进展
4.3 人工神经网络
第四章 深度学习模型（实操）
第一节 线性神经网络实例
1.1 线性回归
1.2 softmax 回归
第二节 多层感知机实例
2.1 多层感知机
2.2 模型选择、欠拟合和过拟合
2.3 权重衰减
2.4 Dropout
第三节 卷积神经网络实例
3.1 从全连接层到卷积
3.2 通道和汇聚层
3.3 卷积神经网络（LeNet）
3.4 批量归一化
3.5 残差连接
第四节 循环神经网络实例
4.1 序列模型
4.2 语言模型和数据集
4.3 循环神经网络
第五节 生成对抗网络实例
5.1 概率生成模型
5.2 变分自编码器
5.3 生成对抗网络
03
第三天
第五章 超材料
第一节 超材料概述
第二节 光子晶体(COMSOL 实际操作)
2.1 光子晶体基础和应用
2.2 传递矩阵方法求解一维光子晶体能带
2.3 平面波展开法求解一维光子晶体能带
2.4 有限元法求解光子晶体能带
2.4.1 二维正方晶格能带
2.4.2 二维正方晶格光子晶体板能带
2.4.3 二维三角晶格光子晶体板能带
2.4.4 二维六角晶格光子晶体板能带
2.5 光子晶体板中的连续谱束缚态(BIC)及其拓扑荷的计算
第三节 超表面在光场调控中的作用
3.1 相位调控
3.2 光强调控
3.3 偏振调控
3.4 频率调控
3.5 联合调控
第四节 超表面仿真实例(COMSOL 实际操作)
3.1 频率选择表面周期性互补开口谐振环
3.2 超表面光束偏折器
第五节 超构表面在量子光学中的研究与应用
5.1 量子等离激元
5.2 量子光源
5.3 量子态的测量与操纵
5.4 量子光学的应用
04
第四天
第六章 基于马赫-增德尔干涉仪的光计算
第一节 光计算及光神经网络的简介
1.1 光计算的背景介绍
1.2 光神经网络的发展与分类
1.3 光神经网络的研究现状
第二节 基于 MZI 的光神经网络原理
2.1 全连接神经网络原理讲解
2.2 MZI 级联的相干光矩阵计算原理
2.3 N 阶酉矩阵分解
2.4 基于 MZI 拓扑级联的酉矩阵通用架构
第三节 训练数据集的获取与处理（Python 实操）
3.1 Python 程序环境安装
3.2 Pycharm 主要功能介绍
3.3 数据集的获取方法
3.4 训练数据集的前期处理
第四节 酉矩阵通用架构的搭建（Python 实操）
4.1 二阶酉矩阵的搭建
4.2 clement 架构的搭建
第五节 光神经网络的模型运行（Python 实操）
05
第五天
第七章 全光衍射神经网络
第一节 标量衍射理论基础
1.1 惠更斯-菲涅耳原理
1.2 瑞利-索莫菲衍射公式
1.3 衍射角谱理论
1.4 离散傅里叶变换
第六节 光学衍射神经网络（Python 实操）
2.1 人工神经网络结构
2.2 光学衍射神经网络结构
2.3 光学衍射神经网络实现手写数字识别
2.4 光学衍射神经网络的应用
第八章 超材料反向设计实例
第一节 基于神经网络方法实现全介质超表面的设计（COMSOL 实操）
1.1 超表面元的模拟
1.2 超表面元的参数提取
1.3 训练数据集的搭建
1.4 预测模型的训练
第二节 CNN 和 RNN 的组合寻找等离子体结构的光学特性（COMSOL 实操）
第三节 DELAY 强化学习算法实现激光器的自动锁模控制
机器学习材料专题内容
01
第一天：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
深度学习超材料逆向设计专题
01
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
课程特色及授课方式
RECRUIT
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科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！
RECRUIT
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）
课程时间
RECRUIT
深度学习光学设计：
2024.10.14----2024.10.18（晚上19.00-22.00）
2024.10.21----2024.10.25（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）
机器学习材料时间：
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
RECRUIT
课程费用：
深度学习光学设计、机器学习材料、深度学习材料、机器学习锂离子电池
报名费用：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）
重磅优惠：
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
报二赠一（同时报名两个班可以免费赠送一个学习名额，赠送班任选）
年报优惠：可免费学习一年特惠：20880元（可免费学习一整年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｜陈老师
咨询电话｜15652523032（微信同号）
