PART.01
在材料科学和机器学习交叉领域中，机器学习技术正在不断革新材料发现的方式。这门课程旨在利用计算技术和数据科学方法，尤其是机器学习技术，来应对传统材料研发面临的复杂设计和高成本问题。
机器学习正成为材料科学的关键工具，通过挖掘和理解材料的构效关系，实现更为精准和高效的材料设计。例如，Butler等人（Nature, 2018）讨论了机器学习在材料科学中从数据采集、建模到预测的应用框架，为材料设计提供了强有力的计算支持。数据驱动的机器学习方法对材料设计具有显著潜力。Kim等人（Nature Communications, 2020）展示了如何通过高维材料数据与模型的结合来预测材料特性和合成路线。与之相似，Agrawal等人（Nature Reviews Materials, 2016）通过数据集成和建模实现了材料特性的预测，大大减少了试错法的时间和经济成本。
随着材料研究的深入，机器学习模型被用于预测特定材料的合成路径。Xie等人（Science Advances, 2019）研究了如何基于现有实验数据利用机器学习方法预测材料的合成条件，这种数据驱动的方法为化学合成和材料制备提供了更灵活的工具。机器学习在石墨烯、MXenes等二维材料的发现和特性优化中展现出巨大潜力。Zhou等人（Nature Machine Intelligence, 2019）展示了机器学习在二维材料结构预测中的应用，其模型能够识别不同条件下二维材料的结构稳定性和电子性能。集成学习（如随机森林和Boosting）在材料分类与性质预测方面表现出色。Schmidt等人（Science, 2019）将集成学习应用于材料表征，提升了复杂材料系统的分类准确率，为材料特性的探索提供了高效的建模方法。这些技术同时也在材料微观结构演化预测中得到了应用，帮助实现材料从微观结构到宏观性能的关联。Ren等人（Nature Materials, 2020）利用机器学习方法与深度神经网络预测了纳米材料的微观结构生长过程，极大地增强了材料设计过程中的精度和效率。
自然语言处理（NLP）技术用于从文献库中提取和整合材料相关知识。Tshitoyan等人（Nature, 2019）展示了如何利用NLP模型发现材料之间的隐含关系，并预测出新材料的潜在性能。随着计算能力的提升和数据资源的积累，机器学习方法已经从传统的线性回归和分类算法扩展到深度学习、集成学习等先进技术，这些技术为材料科学中的复杂构效关系建模提供了更多工具。
近年来，深度学习在材料科学中的应用日益广泛，为新材料的设计和性能优化提供了强大的工具。特别是随着数据资源的快速积累和计算能力的提升，深度学习方法被广泛用于预测材料的结构、性能以及微观组织的演化。这些方法能够在高维数据中捕捉复杂的构效关系，显著加快材料发现和开发的过程。随着卷积神经网络（CNN）在图像识别任务中取得成功，研究者们将其应用于材料科学中，用于识别和预测材料的微观结构特征。Ziletti等人（Nature Communications, 2018）利用CNN模型从材料的电子显微图像中提取微观结构特征，自动识别不同晶体结构和缺陷类型，为材料的表征和性能预测提供了数据支持。
二维材料（如石墨烯、二硫化钼等）因其独特的电子和力学特性受到广泛关注。Li等人（Science Advances, 2020）利用深度学习模型预测二维材料的生长模式和晶体结构，并在模拟环境条件（如温度、压力等）变化下预测其性能，为二维材料的设计提供了新的可能性。深度学习在预测纳米光学材料的光学特性（如透过率、吸收率）方面也展现了强大能力。Malkiel等人（Nature Photonics, 2018）通过深度学习模型对纳米材料的光学特性进行预测，模型输入包括材料几何结构和原子成分等，为纳米光学材料的设计和优化提供了支持。深度学习模型还用于预测材料的力学性能。Yang等人（npj Computational Materials, 2019）提出了一种基于神经网络的模型，用于预测金属合金的抗拉强度和屈服强度。该模型通过分析材料的微观结构图像，能够对材料的力学性能进行准确预测。
深度学习模型在预测材料的相变行为方面也得到了广泛应用。Luo等人（Advanced Materials, 2019）使用卷积神经网络预测材料在不同温度和压力条件下的相变，极大地推动了材料相变理论与实验的结合应用。时序神经网络（如LSTM和GRU）在材料疲劳寿命预测中表现出色。Cang等人（Nature Communications, 2019）利用LSTM模型对材料的应力和应变时序数据进行分析，预测材料在不同载荷条件下的剩余寿命，为材料失效预测提供了新的思路。
生成对抗网络（GAN）和变分自编码器（VAE）被用于生成新的材料结构。Kim等人（Nature Communications, 2020）通过VAE生成新的晶体材料结构，并预测其可能的稳定性，极大加速了材料筛选和设计过程。
图神经网络（GNN）在材料科学中用于模拟原子之间的相互作用，预测材料的晶体结构和特性。Xie等人（Physical Review Letters, 2018）提出了基于图神经网络的晶体结构预测模型，能够准确地预测材料的稳定性和晶体类型。在高分辨率的扫描透射电子显微镜（STEM）图像中，深度学习用于识别材料的晶体缺陷。Zhang等人（Nature Materials, 2019）使用CNN模型对STEM图像进行自动特征提取，识别出不同类型的晶体缺陷，并量化缺陷对材料性能的影响。
时序特性预测中的Transformer模型应用
Transformer模型逐渐在材料科学的时序数据预测中展现出优势。Sun等人（npj Computational Materials, 2021）利用Transformer模型预测超导材料的时序特性（如电阻率、临界电流等），为超导材料在动态环境下的性能预测提供了强有力的工具。
随着深度学习在材料科学中的应用日益深化，数据驱动的智能化方法正在为材料设计和性能优化带来前所未有的创新。通过卷积神经网络、生成模型和图神经网络等深度学习技术，研究者们能够从大规模数据中提取复杂的结构特征，预测材料的物理和化学性能，并探索微观结构的演化过程。这些技术加速了新材料的发现和优化，降低了实验成本和研发时间，逐步替代了传统的试错法。展望未来，深度学习在材料科学中的应用前景广阔：
1多模态数据融合与大数据分析：结合材料数据库、实验数据、图像数据等多模态数据，将进一步提升模型的预测精度和适用性。
2时序数据建模与动态预测：随着时序模型（如LSTM和Transformer）的发展，材料在动态条件下的性能预测（如疲劳寿命、相变行为）将更加精准，特别是在应对环境和载荷变化时的材料表现上具有巨大潜力。
3生成设计与反向工程：生成模型（如GAN和VAE）为新材料结构的设计提供了逆向生成能力，可以在给定目标性能的情况下直接生成满足条件的材料结构，大大加速材料开发进程。
学习目标
机器学习材料目标：
一、掌握深度学习在材料科学中的基础知识与应用
1.深度学习概述：理解深度学习的基本概念、常见架构（如神经网络、卷积神经网络等），以及深度学习在材料特性预测中的应用。
2.材料特征工程：学习如何进行材料科学数据的特征工程，包括特征提取、特征选择和数据预处理，为深度学习模型提供高质量的输入。
3.常见深度学习方法的原理：掌握适用于材料科学的深度学习方法，如CNN、RNN、LSTM、GRU、Transformer等，了解这些模型的适用场景和应用范围。
二、熟练掌握Python编程及深度学习框架
1.Python编程基础：熟悉Python在深度学习中的应用，包括数据处理、矩阵运算和模型可视化工具。掌握NumPy、Pandas、Matplotlib等库的基本用法。
2.深度学习框架使用：学习Pytorch、Keras、TensorFlow等深度学习框架的基础，掌握模型构建、训练、验证的基本流程。
3.模型优化技术：掌握Pytorch Lightning和Keras/TensorFlow Lightning等框架中的早停、最佳保存点等训练优化技巧，能够在实际项目中提高模型的性能。
三、构建与优化材料科学的深度学习模型
1.卷积神经网络（CNN）应用于材料图像分析：学习如何用CNN模型对材料的微观结构图像进行特征提取、分类及裂纹检测，提升材料图像分析能力。
2.材料力学性能与物理特性预测：使用深度学习模型（如神经网络、卷积神经网络等）对材料的力学和物理性能进行预测。包括杨氏模量、硬度、屈服强度等关键性能预测。
3.时序神经网络应用：学习LSTM、GRU等时序神经网络，进行材料疲劳寿命、相变过程、时序特性（如电阻率、临界电流）的预测，掌握基于历史数据的动态分析。
4.生成模型与结构设计：学习生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型等生成模型，实现新材料结构设计、晶体结构生成等应用。
四、深度学习在高级材料科学问题中的应用与实践
1.多任务学习与模型集成：掌握如何集成多种深度学习方法，用于材料特性预测、微观结构识别及多任务学习，以提高模型的泛化能力。
2.图神经网络（GNN）应用于晶体结构预测：学习图神经网络的基本概念及在材料科学中的应用，能够对原子间相互作用建模，实现晶体结构预测与材料的性质推断。
3.透射电镜（TEM）与扫描透射电镜（STEM）图像分析：掌握对高分辨图像进行去噪、增强和特征提取的技术，利用深度学习识别TEM和STEM图像中的晶体缺陷、位错等微观结构特征。
4.深度学习与实验数据结合的应用：能够使用XRD图谱、STEM图像、力学性能数据等实验数据集，结合深度学习模型实现晶体结构、材料类别及性能预测。
5.自主建模与项目实战：在综合项目中，应用以上知识和技能，完成材料微观结构预测、力学性能预测、晶体结构生成等高级应用。通过项目实践提升实际操作能力，为后续科研或工业应用打下坚实基础。
深度学习材料目标：
一、掌握深度学习在材料科学中的基础知识与应用
1、深度学习概述：理解深度学习的基本概念、常见架构（如神经网络、卷积神经网络等），以及深度学习在材料特性预测中的应用。
2、材料特征工程：学习如何进行材料科学数据的特征工程，包括特征提取、特征选择和数据预处理，为深度学习模型提供高质量的输入。
3、常见深度学习方法的原理：掌握适用于材料科学的深度学习方法，如CNN、RNN、LSTM、GRU、Transformer等，了解这些模型的适用场景和应用范围。
二、熟练掌握Python编程及深度学习框架
1、Python编程基础：熟悉Python在深度学习中的应用，包括数据处理、矩阵运算和模型可视化工具。掌握NumPy、Pandas、Matplotlib等库的基本用法。
2、深度学习框架使用：学习Pytorch、Keras、TensorFlow等深度学习框架的基础，掌握模型构建、训练、验证的基本流程。
3、模型优化技术：掌握Pytorch Lightning和Keras/TensorFlow Lightning等框架中的早停、最佳保存点等训练优化技巧，能够在实际项目中提高模型的性能。
三、构建与优化材料科学的深度学习模型
1、卷积神经网络（CNN）应用于材料图像分析：学习如何用CNN模型对材料的微观结构图像进行特征提取、分类及裂纹检测，提升材料图像分析能力。
2、材料力学性能与物理特性预测：使用深度学习模型（如神经网络、卷积神经网络等）对材料的力学和物理性能进行预测。包括杨氏模量、硬度、屈服强度等关键性能预测。
3、时序神经网络应用：学习LSTM、GRU等时序神经网络，进行材料疲劳寿命、相变过程、时序特性（如电阻率、临界电流）的预测，掌握基于历史数据的动态分析。
4、生成模型与结构设计：学习生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型等生成模型，实现新材料结构设计、晶体结构生成等应用。
四、深度学习在高级材料科学问题中的应用与实践
1、多任务学习与模型集成：掌握如何集成多种深度学习方法，用于材料特性预测、微观结构识别及多任务学习，以提高模型的泛化能力。
2、图神经网络（GNN）应用于晶体结构预测：学习图神经网络的基本概念及在材料科学中的应用，能够对原子间相互作用建模，实现晶体结构预测与材料的性质推断。
3、透射电镜（TEM）与扫描透射电镜（STEM）图像分析：掌握对高分辨图像进行去噪、增强和特征提取的技术，利用深度学习识别TEM和STEM图像中的晶体缺陷、位错等微观结构特征。
4、深度学习与实验数据结合的应用：能够使用XRD图谱、STEM图像、力学性能数据等实验数据集，结合深度学习模型实现晶体结构、材料类别及性能预测。
5、自主建模与项目实战：在综合项目中，应用以上知识和技能，完成材料微观结构预测、力学性能预测、晶体结构生成等高级应用。通过项目实践提升实际操作能力，为后续科研或工业应用打下坚实基础。
讲师介绍
机器学习材料与深度学习材料主讲老师来自中国TOP1高校，在国内顶尖教授组中从事材料领域研究，光学声学材料物理方向，在机器学习深度学习辅助的材料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AM，AFM、ACS nano、JMR，ES等行业顶级期刊发表论文二十余篇，参与过多项国家级项目，担任JMR、APl等多个杂志的审稿人。
专题一：机器学习材料专题
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
1.1机器学习的基本概念与分类
1.2机器学习与材料科学的交叉应用
2.材料与化学中的常见机器学习方法
2.1监督学习与无监督学习概述
2.2回归与分类算法简介
3.机器学习应用前沿
3.1机器学习在材料发现、催化、电子材料等领域的应用
4.编程基础理论：数据类型与数据结构
4.1Python中的基本数据类型（整数、浮点数、字符串、布尔值）
4.2常用数据结构：列表、元组、字典、集合
5.机器学习材料文献综述
案例详解
1.Python基础与开发环境搭建
1.1Python基本语法：变量、数据类型、控制流
2.Python科学数据处理
2.1使用NumPy进行矩阵操作与数据处理
2.2使用Pandas进行数据加载与清洗
2.3使用Matplotlib进行数据可视化
项目实操
1.Python基础与数据处理实战
1.1处理材料数据集
1.2可视化材料属性数据
编程案例
案例一：CO2催化活性的预测
通过机器学习预测材料对CO₂的催化活性，涉及数据预处理、特征提取、建模与评估。
案例二：材料数据清洗与可视化
使用Python对材料实验数据进行清洗，填补缺失值，并用Matplotlib进行可视化。
第二天：常见机器学习方法与实践 1 & 材料预测案例
理论内容
1.线性回归
1.1线性回归的原理与应用
1.2最小二乘法与梯度下降
2逻辑回归
2.1逻辑回归的原理与应用
2.2Sigmoid函数与模型训练
3.K近邻（KNN）
3.1K近邻的原理与应用
3.2距离度量与K值选择
4.编程理论：函数与模块
4.1如何在Python中定义函数
4.2模块化编程和代码复用
案例详解
1.线性回归的实现与初步应用
1.1使用scikit-learn实现线性回归，并通过交叉验证评估模型效果。
2.逻辑回归的实现与初步应用
2.1实现逻辑回归模型，预测材料的分类（如金属/非金属材料的预测）。
3.K近邻的实现与初步应用
3.1使用KNN算法进行分类问题的处理，分析材料的属性与类别关系。
项目实操
1.机器学习对CO2催化活性的预测
1.1数据采集、特征选择、模型训练与测试。
2.机器学习二维材料生长与结构预测
2.1使用机器学习预测二维材料（如石墨烯）生长过程中的结构特性。
编程案例
案例一：CO2催化活性预测
利用线性回归模型进行材料催化活性的预测，并使用交叉验证评估模型效果。
案例二：二维材料结构预测
使用KNN算法进行二维材料（如石墨烯）生长与结构预测。
第三天：常见机器学习方法与实践 2 & 材料表征与预测
理论内容
1.决策树
1.1决策树的原理与应用
1.2信息增益与CART算法
2.集成学习
2.1集成学习的原理与方法（随机森林、Boosting等）
2.2模型融合与多样性
3.朴素贝叶斯
3.1朴素贝叶斯的原理与应用
3.2条件概率与贝叶斯定理
4.编程理论：类与对象（面向对象编程）
4.1Python的面向对象编程基础
4.2类的定义与对象的使用
案例详解
1.决策树与随机森林的实现与应用
1.1使用决策树和随机森林进行材料特性预测。
2.朴素贝叶斯的实现与应用
2.1使用朴素贝叶斯进行材料分类问题的解决。
3.支持向量机（SVM）的实现与应用
3.1使用SVM进行材料分类，并分析其性能。
项目实操
1.使用集成学习预测二维材料（如C3N4及其掺杂材料）催化剂活性
1.1数据集准备、特征筛选、模型训练与优化。
编程案例
案例一：使用随机森林预测催化活性
使用集成学习方法（随机森林）对材料的催化活性进行预测。
案例二：决策树分类材料特性
使用决策树对材料的导电性、强度等特性进行分类。
案例三：SVM材料分类
使用SVM对不同材料的热导率进行分类，并对模型效果进行评估。
第四天：机器学习与相场结合与螺位错与枝晶生长预测
理论内容
1二维材料的特点与应用
1.1石墨烯、MXenes等二维材料的结构与性质
1.2二维材料计算物理基本范式
2.纳米光学超材料的设计与应用
2.1纳米超材料的电磁特性与光学响应
2.2纳米光学超材料计算物理基本范式
3.螺位错与枝晶生长的基本理论
3.1螺位错与枝晶生长对材料性能的影响
3.2相场法的入门与实践
案例详解
1.螺位错与枝晶结构的预测
1.1使用机器学习对螺位错与枝晶的生长过程进行建模与预测。
2.机器学习设计纳米光学薄膜超材料
2.1模拟和预测材料的微观结构演化。
项目实操
1.预测材料微观结构演化
1.1使用机器学习模型预测材料微观结构的变化过程。
编程案例
案例一：螺位错与枝晶生长的预测
使用随机森林或SVM预测螺位错与枝晶的生长过程，分析其对材料性能的影响。
案例二：纳米光学超材料设计
使用机器学习预测纳米光学超材料的性能并进行结构优化。
第五天：综合项目与高级实践
理论内容
1.材料数据与特征工程
1.1特征选择与降维技术
1.2使用Pymatgen和其他材料数据库
2.深度学习在材料科学中的应用
2.1深度神经网络（DNN）、卷积神经网络（CNN）在材料设计中的应用
3.超导材料概述
3.1超导材料的结构预测与性能建模
案例详解
1.特征工程与材料数据处理
1.1使用Pymatgen加载与处理晶体结构数据。
2.深度学习基础
2.1使用Scikit-learn实现简单的神经网络模型。
项目实操
1.机器学习加速发现耐高温氧化的合金材料
1.1数据集准备、特征构建与分析
1.2使用不同模型进行预测
2.机器学习超导材料结构预测
2.1基于超导材料的晶体结构与性能数据，使用机器学习进行超导性能的预测。
编程案例
案例一：超导材料结构预测
使用机器学习对超导材料的晶体结构与性能进行预测。
案例二：耐高温氧化合金预测
使用不同的机器学习模型对耐高温氧化的合金材料进行性能预测与优化。
专题二：深度学习材料专题
第一天：深度学习与材料特征工程
理论内容：
1.深度学习概述
2.常见可深度学习材料特征总结归纳
3.材料物理化学中的常见深度学习方法
4.文献综述
实操内容：
1.Pytorch、Keras、TensorFlow深度学习框架实操
1.1认识Pytorch、Keras、TensorFlow
1.2Pytorch、Keras、TensorFlow深度学习模型的建立范式
1.3为预测任务建立Pytorch、Keras、TensorFlow深度学习模型
2.Pytorch、Keras、TensorFlow Lightning框架实操
2.1使用Pytorch、Keras、TensorFlow Lightning训练模型
2.2设置最佳保存点和早停
案例：
案例一：二维材料的生长与结构预测：使用深度学习模型预测二维材料（如石墨烯、二硫化钼等）的生长模式和可能的晶体结构。输入包括不同环境条件（温度、压力等）和初始原子配置。
案例二：二维材料的力学性能预测：基于材料的微观结构，利用神经网络预测二维材料的力学性质，如杨氏模量、屈服强度等。
案例三：合金成分预测：通过训练神经网络预测不同合金成分的力学性能（如硬度、强度、延展性等），数据集可以包含各种合金的成分及其实验测试结果。
第二天：常见的深度学习算法、应用及实践1
理论内容：
1.卷积神经网络（CNN）
1.1CNN的介绍
1.2CNN的原理
1.3ResNet的介绍及原理
项目实操内容：
1.1CNN入门案例、深度神经网络模型的预训练及微调
1.2使用微调的预训练ResNet预测MNIST数据集
1.3从头开始训练ResNet预测MNIST数据集
2.卷积神经网络在材料图像分析中的应用
2.1使用卷积神经网络（CNN）对材料的微观结构图像进行分类（如不同的合金微观结构或材料的相图图像）。
3.材料的裂纹检测
3.1使用CNN分析材料图像中的裂纹、缺陷等不连续性，以预测其健康状态。
案例：
案例一：纳米光学超材料结构预测：
使用深度学习模型预测纳米光学超材料的光学特性，如光透过率、吸收率等。输入包括材料的几何结构（如周期性图案）、原子成分等。
案例二：纳米光波导结构优化：
利用深度学习模型优化光波导的结构，预测不同设计下波导的传输效率、模式分布等。
案例三：预测材料的机械性能：
通过分析不同材料的微观结构图像（如扫描电子显微镜图像），利用深度学习模型预测其抗拉强度或其他机械性能。
第三天：材料性能预测与机器学习模型
理论内容：
1.数据集准备与处理
2.使用Pytorch、Keras、TensorFlow训练一维/二维材料性能预测模型
3.Pytorch、Keras、TensorFlow模型验证与测试
项目实操内容：
1.预测材料硬度：使用神经网络模型预测不同材料（如钢铁、铝合金、陶瓷等）的硬度。数据集包含材料的元素组成、晶格结构、加工方式等特征。
2.合金材料的强化预测：根据合金成分（如添加元素、元素比例等），预测其抗拉强度、屈服强度等机械性能。
3.材料相变预测：使用深度学习模型预测不同条件下材料的相变（如从固态到液态的温度，或者不同温度下的相变类型）。
案例：
案例一：螺位错与枝晶生长预测：
使用深度学习模型预测合金在不同冷却速率下的螺位错结构和枝晶生长模式。输入为合金的成分、冷却条件等。
案例二：XRD图谱数据预处理与深度学习
1.数据集准备：
1.1使用实验或模拟生成的XRD图谱数据集，每个数据样本包含不同材料的XRD图谱，以及材料的晶体结构信息（例如：面心立方、体心立方、六方密堆积等）。
1.2XRD图谱通常是一个二维信号，横坐标是2θ角，纵坐标是衍射强度。
2.数据预处理：
2.1将XRD图谱进行标准化，以便在深度学习模型中进行训练。
2.2通过平滑处理或傅里叶变换减少噪声。
3.深度学习模型：
3.1使用卷积神经网络（CNN）来提取图谱特征，并结合传统的分类方法（例如支持向量机、随机森林等）进行最终的材料分类或晶体结构识别。
3.2输入：XRD图谱数据
3.2输出：预测的晶体结构或材料类别
第四天：时序神经网络（RNN, LSTM, GRU, Transformer）
理论内容：
1.时序神经网络
1.1RNN的介绍及原理
1.2LSTM的介绍及原理
1.3GRU的介绍及原理
1.4Transformer的介绍及原理
项目实操内容：
1.LSTM & GRU入门案例
1.1使用Pytorch、Keras、TensorFlow实现时序预测模型
1.2训练LSTM模型
1.3训练GRU模型
1.4模型评估
2.时序材料性能预测
2.1基于LSTM/GRU模型预测材料的疲劳寿命。输入为材料的历史负载数据、应变数据等，输出为材料的剩余寿命。
案例：
案例一：螺位错与枝晶生长的时序预测：
基于LSTM或GRU模型预测合金在不同时间步骤下的螺位错结构演化及枝晶生长过程。输入为材料成分、冷却速率、温度等参数。
案例二：超导材料的时序特性预测：
使用LSTM或Transformer模型，基于不同条件（如温度、压力等）预测超导材料的电阻率、临界电流等时序特性。
案例三：STEM图像模拟与深度学习分析
1.STEM图像模拟：
1.1使用现有的量子力学模拟代码生成STEM图像，或者基于模拟的原子模型来模拟电子束与材料的相互作用。
1.2 STEM图像通常具有非常高的分辨率，展示了材料表面原子级别的细节。
2.深度学习数据处理：
2.1对STEM图像进行去噪和增强，以改善图像质量并提高模型的准确性。
2.2通过卷积神经网络（CNN）对STEM图像进行自动特征提取，识别材料的微观结构、晶体缺陷等特征。
3.深度学习模型训练：
3.1使用卷积神经网络（CNN）或UNet架构对STEM图像进行分类或分割任务，提取不同类型的缺陷（如位错、孔洞等）或其他结构特征。
3.2输入：STEM图像
3.3输出：材料的晶体缺陷、位错类型、晶体结构等。
第五天：生成模型与图神经网络
理论内容：
1.生成模型
1.1生成对抗网络（GAN）的介绍及原理
1.2变分自编码器（VAE）的介绍及原理
1.3扩散模型（Diffusion Model）的介绍及原理
2.图神经网络（GNN）
2.1图神经网络（GNN）的介绍及原理
项目实操内容：
1.基于VAE逆向生成晶体材料
1.1晶体结构体素空间编码
1.2使用变分自编码器进行晶体结构自动生成
1.3变分自编码器的潜空间采样
2.基于Transformer架构的自回归模型生成指定空间群的晶体材料
2.1基于Transformer架构的自回归模型
2.2基于对称性的晶体结构表示
2.3使用训练好的自回归模型进行指定空间群的晶体材料生成
案例：
案例一.基于VAE生成预测二维材料结构与性能
案例二.透射电镜（TEM）图像分析与深度学习
1.TEM图像预处理：
1.1TEM图像通常用于观察材料的内部结构，尤其适用于晶体结构、相分布、位错、缺陷等的观察。
1.2对TEM图像进行去噪处理，并且进行图像增强，如直方图均衡化、对比度提升等。
2.深度学习分析：
2.1训练卷积神经网络（CNN）对TEM图像进行分类或分割，识别材料的微观结构特征。
2.2结合生成对抗网络（GAN）模拟材料的TEM图像，以预测不同条件下的微观结构变化。
3.深度学习模型训练：
3.1使用CNN来对TEM图像进行结构识别，标记出不同的晶体区域、缺陷位置、材料的相界面等。
3.2输入：TEM图像数据
3.3输出：分类结果（如不同相的晶粒、缺陷类型）或分割结果（如晶界、相界面等区域）。
课程特色与授课方式
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
机器学习材料：
2024.12.21----2024.12.22（上午9.00-12.00下午14.00-17.00）
2024.12.27----2024.12.28（晚上19.00-22.00）
2024.12.29----2024.12.30（上午9.00-12.00下午14.00-17.00）
腾讯会议 线上授课（共五天课程 提供全程视频回放）
深度学习材料：
2024.12.25----2024.12.26（晚上19.00-22.00）
2025.01.02----2025.01.03（晚上19.00-22.00）
2025.01.04----2025.01.05（上午9.00-12.00下午14.00-17.00）
2025.01.07----2025.01.08（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：
机器学习材料、深度学习材料
每人每班¥4680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：
同时报名两门课程￥9080元
报二赠一：同时报名两个班可以免费赠送视频专题学习名额赠送班任选）
（可点击课程名称查看详细内容）
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
报名联系请扫描下方二维码
