材料的研发主要依赖试错法，这种传统的研究范式不仅耗时费力，而且成本高昂。20世纪中叶起，随着蒙特卡罗方法、分子动力学和密度泛函理论(DFT)等计算物理方法的发展及其在不同材料体系中的应用，计算材料学逐渐成型，并广泛应用于信息技术、能源、化工、生物医药、航空航天等领域，成为探索物质世界、研发新材料的重要工具。近年来，随着计算材料学和人工智能(AI)快速发展，基于机器学习的材料设计逐渐成为可能。机器学习算法能够处理复杂的非线性关系，发现高维数据中的模式和规律，自动从数据中提取隐藏的关键特征，并且具备较强的泛化能力和迭代优化能力。这些优势与材料研究天然匹配，有望解决材料科学中设计空间巨大、构效关系复杂等关键共性难题。
(1)性质预测：利用机器学习挖掘材料的结构—性质关系(即构效关系)，再结合材料数据库筛选和设计具有特定性能的新材料。
(2)合成预测：利用机器学习预测材料的合成方案、合成路径、具体的实验合成参数等。
(3)知识发现：利用自然语言模型，对文献库进行数据提取和知识挖掘以辅助材料设计。
(4)生成式逆向设计：基于生成式模型，根据对材料性能的需求，逆向设计材料的成分和结构。
复合材料因其独特的性能优势，在现代科技和工程中占据着越来越重要的地位。多物理场研究是深入理解复合材料行为的关键途径，它涉及材料在多种物理环境下的响应，包括力学、热学、电磁学等多个方面。
力学性能
复合材料的力学性能是其最基本也是最重要的性能之一。研究内容包括复合材料的强度、刚度、韧性以及疲劳性能等。通过实验和数值模拟方法，科学家们可以分析纤维与基体之间的相互作用、界面性能对整体性能的影响，以及复合材料在不同载荷条件下的行为。这些研究有助于优化材料设计，提升复合材料的综合机械性能。
热学性能
热学性能研究主要关注复合材料的热导率、热膨胀系数以及耐高温性能。复合材料在高温环境下的应用日益广泛，如航空航天、汽车工业等，因此对其热学性能的研究显得尤为重要。通过多尺度建模和实验测试，可以优化复合材料的热管理性能，提高其使用寿命和可靠性。这些研究成果能够进一步推动复合材料在极端条件下的应用。
电磁性能
随着电子设备和无线通信技术的快速发展，复合材料的电磁性能也受到了广泛关注。研究内容包括复合材料的电磁屏蔽性能、吸波性能以及介电性能等。通过添加导电填料或设计特殊结构，可以制备出具有优异电磁性能的复合材料，满足现代电子设备对轻量化、高性能材料的需求。这些材料在5G通信、雷达系统等领域展现出巨大的应用潜力。
耦合效应
多物理场研究还关注不同物理场之间的耦合效应，如力-热耦合、电-热耦合等。这些耦合效应在复杂工作环境下的复合材料结构中尤为明显，对材料的设计和性能预测提出了更高的要求。通过建立多物理场耦合模型，可以更准确地预测复合材料在实际工况下的行为，为工程应用提供科学依据。这些研究有助于克服复合材料在多场环境下面临的挑战，实现更可靠的设计.
七大最火课程
01、机器学习材料设计专题
02、深度学习材料专题
03、深度学习超材料逆向设计专题
04、Comsol复合材料多物理场多尺度设计专题
05、深度学习声学超材料专题
06、机器学习锂离子电池专题
07、机器学习分子动力学专题
01
机器学习材料设计专题
01
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
02
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
03
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
04
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
05
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
可以上下滚动查看
02
深度学习材料专题
01
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.材料特征工程
3. 材料与化学中的常见深度学习方法
4. 应用前沿
【实操内容】
1.Pytorch深度学习框架实操
1)认识Pytorch
2)Pytorch深度学习模型的建立范式
3)为预测任务建立Pytorch深度学习模型
2.Pytorch Lightning框架实操
1)使用Pytorch Lightning训练模型
2)设置最佳保存点和早停
02
第二天：材料基因组（工具库及数据库）
【理论内容】
1.材料基因组概述
2.材料基因组的基本方法
3.常见材料数据库介绍
【实操内容】
1.Material Project数据库与Pymatgen
1)Material Project数据库实操
2)Pymatgen库实操（matgenb）
2.ASE（Atomic Simulation Environment）实操
3.OQMD数据库数据获取与使用（qmpy_rester）
4.AFLOW数据库数据获取与使用（aflow）
5.材料特征工具Matminer实操
1)Matminer获取材料数据集
2)Matminer生成材料描述符
03
第三天 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)CNN的介绍
2)CNN的原理
3)ResNet的介绍及原理
【项目实操内容】
1.CNN入门案例、深度神经网络模型的预训练及微调
1)使用微调的预训练ResNet预测mnist数据集
2)从头开始训练ResNet预测mnist数据集
2.STEM图像生成
1)STEM图像数据读取与处理
2)使用ASE创建原子模型
3)模拟二硫化钼中硫原子的缺失
4)生成硫原子缺失的STEM仿真图像
3.卷积神经网络在合金电镜图片识别的应用【文章】
1)合金电镜数据集介绍及图像预处理
2)构建简单CNN模型进行分类
3)使用预训练模型VGG16进行分类
4)使用预训练模型DenseNet201进行分类
5)模型性能展示
4. 基于粉末X射线衍射图谱的晶体对称性识别CNN模型【文章】
1)XRD图像数据集准备
2)使用PyTorch处理数据集
3)PyTorch训练一维图像数据预测模型
4)PyTorch模型验证和测试
04
第四天 常见的深度学习算法、应用及实践2
【理论内容】
1. 时序神经网络
1)RNN的介绍及原理
2)LSTM的介绍及原理
3)GRU的介绍及原理
4)Transformer的介绍及原理
【项目实操内容】
1.LSTM&GRU入门案例
1)使用PyTorch实现时序预测模型
2)训练LSTM模型
3)训练GRU模型
4)模型评估
2.基于GRU/Transformer网络预测锂电池的老化轨迹【文章】
1)电池数据集准备与分析
2)原始数据分割与处理
3)训练GRU模型预测电池老化轨迹
4)训练Transformer模型预测电池老化轨迹
5)模型性能评估与预测
3. 基于Transformer对聚合物性质进行预测【文章】
1)聚合物数据集准备
2)对聚合物数据进行特征编码
3)使用预训练的Transformer
4)以K折交叉验证的方式微调Transformer模型预测聚合物性能
05
第五天 常见的深度学习算法、应用及实践3
【理论内容】
1.生成模型
1)生成对抗网络（GAN）的介绍及原理
2)变分自编码器（VAE）的介绍及原理
3)扩散模型（Diffusion Model）的介绍及原理
2.图神经网络
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【文章】
1)晶体结构体素空间编码
2)使用变分自编码器进行晶体结构自动生成
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【文章】
1)基于Transformer架构的自回归模型
2)基于对称性的晶体结构表示
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
3.图神经网络入门、分子图编码及预测
1)图神经网络实操
2)小分子的图表示
3)使用图神经网络对小分子进行分类预测
可以上下滚动查看
03
机器学习分子动力学专题
01
基于机器学习的分子动力学
第一部分（分子动力学基础）
1.理论内容
1.1科学研究的四范式：从大数据时代到AI4SCIENCE时代
1.2AI4SCIENCE时代的分子动力学模拟：从传统的经验力场方法和第一性原理方法到机器学习力场
1.3基于机器学习的分子动力学的特点，分类和工作流程，及发展趋势．
2.实操内容：
1.Linux系统与超算服务器的常规操作
2.Python(pycharm或vscode)的基本数据类型与代码调试
3.虚拟环境(Anaconda或Mamba)的使用
3.分子模拟软件介绍
3.1LAMMPS的入门与使用
3.2软件发展趋势与特点
3.3输入文件的详细解析与注意事项
3.4相关势函数的获取渠道
3.5分子模拟轨迹的后处理与分析
3.6机器学习势函数使用
4.OpenMM的入门与使用
4.1软件发展趋势与特点
4.2运行脚本与注意事项
4.3GAFF(Amber)力场的简要介绍
4.4使用sobtop软件和Python快速、自动化生成任意有机分子的力场参数文件（同时也适用GROMACS）
5.量子化学计算软件的介绍与快速上手
5.1CP2K软件的发展介绍与特点：
5.2软件发展趋势与特点
5.3运行命令与赝势文件
5.4使用MULTIWFN快速生成单点能或分子动力学模拟的输入文件
5.5输入文件的字段解释与注意事项
5.6使用Python实现自动化提交任务与任务后处理
5.7在CP2K中使用GFN1-xTB方法，适合新手的入门旋转！
6.ORCA软件的发展介绍与特点：
6.1软件发展趋势与特点
6.2使用MULTIWFN或基于模板快速生成单点能或分子动力学模拟的输入文件及注意事项
6.3使用Python实现自动化提交任务与任务后处理
6.4在ORCA中使用ωB97M-V泛函
7.XTB软件的发展介绍与特点：
7.1软件发展趋势与特点：发展迅猛！年被引用增长率高达87%；能够执行单点能，几何优化，分子模拟等功能
7.2安装与常用命令
7.3几种半经验方法的简要介绍
7.4使用Python实现自动化提交任务与任务后处理
7.5DFTB(简单介绍)
7.6执行单点能，几何优化，分子模拟等
7.7使用Python实现自动化提交任务与任务后处理
8.案例：传统力场方法与机器方法力场方法的对比
8.1使用OpenMM执行有机体系的分子模拟
8.2基于机器学习力场方法，结合LAMMPS执行合金，锂电池体系的分子模拟
8.3使用MDtraj等软件进行模拟结果的后处理分析与Python高质量科研绘图，包括：能量与力的预测曲线，径向分布函数，键长键角二面角分布，电池电压曲线等．
02
第二部分（机器学习力场的模型设计）
1.理论内容
1.1机器学习与深度学习的快速入门
1.1.1常见概念与分类
1.1.2机器学习的发展历史以及部分理论：通过可视化案例，理解神经网络的通用近似理论
1.1.3神经元，反向梯度下降，损失函数，过/欠拟合，残差连接等基本概念
1.1.4ANN, CNN, RNN, TRANSFORMER等深度神经网络的基本框架的介绍与特点
1.1.5相关学习资源的推荐
1.2科学领域的机器学习模型介绍
1.2.1物理约束/物理对称性
1.2.2高效描述局部环境方法的分类与特点
1.2.3基于核方法或深度神经网络方法
1.2.4基于描述符或分子图方法
1.3基于描述符的机器学习力场模型
1.3.1机器学习力场的开篇工作
1.3.2BPNN模型详解与发展
1.3.3生态最好的机器学习力场模型
1.3.4DeePMD系列工作的详解
1.3.5DeePMD的发展和几种描述符的介绍及特点
1.3.6DeePMD的压缩原理与特点
1.3.7DPGEN的工作原理
1.4基于图框架的机器学习力场模型
1.4.1图神经网络、图卷积网络和消息传递神经网络的发展与理解
1.4.2图神经网络的机器学习力场模型的经典模型
1.4.3SchNet模型的特点与代码实现
1.4.4基于三维空间建模的完备性与效率的几何系列模型:
1.4.5DimeNet,SphereNet和ComENet模型的详解与比较
1.4.6其他机器学习力场模型概述：DTNN和PhysNet等
2.实操内容
2.1DeePMD的离线安装与验证
2.2DeePMD输入文件详解:与理论课的模型框架相对应地进行超参数设定的讲解，及使用经验
2.3DeePMD的常见功能，包括训练，重启，冻结，压缩和测试
2.4DeePMD的常见问题与训练过程的分析
2.5综合使用LAMMPS和DeePMD, 执行高精度的分子动力学模拟
2.6分子模拟的数据后处理与分析
2.7DPGEN软件的介绍与工作流程
2.8DPGEN软件的输入和输出文件：param.json和machine.json文件的参数详解；跨计算分区的提交任务示例；不同量化级别方法的示例
2.9DPGEN软件的常用命令与使用经验，以及不同体系收敛的参考标准
03
第三部分（高级课程 —— 等变模型系列，领域热点）
1.理论内容
1.1不变系列模型的总结
1.1.1等变模型的概念，特点，分类和应用
1.1.2等变的概念
1.1.3等变模型的分类与特点
1.1.4等变模型的介绍：超高数据利用率与优秀的泛化能力
1.1.5群的简要介绍
1.1.6SO(3)群的简单入门与张量积
1.1.7欧式神经网络(E3NN)的介绍与注意事项
1.1.8高阶等变模型与传统模型，经验力场的区别
1.1.9常见误区的提醒
1.2等变机器学习力场的经典模型:
1.2.1Nat. Commun.上高被引的NequIP模型的详解和代码框架
2.实操内容
2.1DeePMD软件的进阶使用与补充讲解，包括多GPU并行训练
2.2LAMMPS以多GPU并行方式运行机器学习力场模型
2.3使用Python代码快速可视化机器学习力场模型在等变与不变设计上的区别
2.4使用多种机器学习的降维方法，结合K-Means聚类，从分子模拟轨迹中以低冗余方式提取多帧结构文件。
2.5NequIP模型的超参数介绍和使用
2.6复现Nat. Commun.文章结果，包括计算径向分布函数、键角分布等性质
2.7使用wandb进行超参数调优与训练过程中各种信息的可视化分析
04
第四部分
1.理论部分
1.1高效/高精度的基于ACE的等变模型
1.2ACE方法，消息传递和等变框架的集大成者：MACE模型
1.3方法的完备性，效率和系列发展
1.4MACE模型在多个领域的应用
1.5机器学习力场领域的ChatGPT模型
1.6有机分子体系的通用大模型：MACE-OFF23
1.7几乎涵盖元素周期表所有元素的材料领域的通用大模型：MACE-MP0
1.8其他大模型的简要介绍
1.9适用于大规模GPU并行框架的等变模型
1.10消息传递模型的不足
1.11NequIP团队在Nat. Commun.上的新作－－Allegro模型的方法详解与比较
1.12SevenNet模型的介绍与比较
2.实操部分
2.1MACE模型和Allegro模型的超参数介绍和使用经验
2.2MACE模型与DeePMD模型的对比，包括精度，数据效率等
2.3Libtorch与LAMMPS软件的编译
2.4机器学习力场领域的ChatGPT的使用与分析
2.5快速上手MACE-OFF23和MACE-MP0模型
2.6对通用大模型进行微调与分析
2.7DPA-1和DPA-2的介绍与特点
课程部分案例图片：
可以上下滚动查看
04
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
可以上下滚动查看
05
机器学习锂离子电池专题
第一天上午
锂离子电池与机器学习背景
Python基础语法、函数、模块和包、面向对象编程
机器学习库介绍：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn
第一天下午
监督学习与非监督学习
K-近邻、支持向量机、决策树、线性回归、逻辑回归
实战一：使用机器学习预测锂离子电池性能
第二天上午
K-均值聚类、层次聚类、PCA、t-SNE
集成学习：随机森林、Boosting
交叉验证、性能指标、模型评估与选择、网格搜索
实战二：聚类分析在电池性能分类中的应用
第二天下午
神经网络基础、激活函数、损失函数、梯度下降与反向传播
Pytorch构建全连接神经网络
深度学习中的正则化技术：L1、L2、Dropout
优化算法：SGD、Adam、RMSprop
超参数调优：网格搜索、随机搜索、贝叶斯优化
实战三：基于深度学习的高熵材料的虚拟高通量筛选
第三天上午
循环神经网络
卷积神经网络
图神经网络
注意力机制
Transformer架构
生成对抗网络
变分自编码器
实战四：基于图神经网络的锂离子电池性能预测
第三天下午
锂离子正极材料的特征工程
实战五：基于机器学习的锂金属正极材料的稳定性预测
实战六：实验引导的高通量机器学习分析
第四天上午
基于锂离子电池的机器学习与多尺度模拟
机器学习、分子动力学模拟与第一性原理计算
机器学习与实验结合
实战七：机器学习加速寻找新的固体电解质
第四天下午
机器学习在电池管理系统中的应用介绍
电池管理系统（BMS）的功能与组成
电池充放电管理
电池安全与保护
电池健康状态的指标
电池老化分析
基于机器学习的电池充放电策略优化
第五天上午
实战八：电池管理系统：物理模型与机器学习集成
实战九：机器学习用于锂离子电池的实时充电状态（SOC）和健康状态（SOH）估计
第五天下午
实战十：基于GRU、LSTM、Transformer锂电池剩余寿命预测
实战十一：从实验数据出发重构Mn-DRX设计思路
部分案例图片：
可以上下滚动查看
06
深度学习声学超材料专题
第一天：声学超材料的基本理论
1.1 声学超材料概述
·定义与特点
·研究背景与发展历程
1.2 声波方程与晶格理论
·声波方程
·晶格与能带理论
1.3 有效介质理论与斯涅尔定律
·有效介质理论
·通用斯涅尔定律
1.4 案例分析
·经典声学超材料案例
第二天：声学超材料的结构设计
2.1 声学超材料的分类
·基于结构特征的分类
·基于声波响应的分类
2.2 常见声学超材料结构
·局域共振型
·带隙型
·负折射率型
2.3 结构设计方法
·设计原则与方法
·计算模拟与优化
2.4 案例分析
·典型结构设计案例
第三天：声学超材料的仿真模拟
3.1 仿真软件介绍：COMSOL Multiphysics
·建立声学超材料的三维模型
·声固耦合模块的使用
·设置材料属性和边界条件
·网格划分与求解设置
·结果分析与可视化
3.2 案例分析
·基于COMSOL的声学超材料仿真案例
·低频隔声特性仿真
·声波透射与反射仿真
第四天：深度学习基础
第一部分：基础概率
·L1-basic probability.pdf
o概率基础
o条件概率与贝叶斯定理
第二部分：模型拟合与贝叶斯方法
·L2-FittingSimpleModels.pdf
o简单模型的拟合方法
o线性回归与逻辑回归
·L3-BayesianNetworks.pdf
o贝叶斯网络基础
o条件独立性与因果推断
·L4-MarkovRandomFields.pdf
o马尔可夫随机场
o应用与推断
第三部分：推断与优化
·L5-VariableElimination_BeliefPropagation.pdf
o变量消除与信念传播
o推断算法
·L6-FactorGraph_JunctionTree.pdf
o因子图与连接树
o高效推断方法
·L7-MixtureModels_EM.pdf
o混合模型与期望最大化算法（EM）
o应用案例
第四部分：时间序列与采样方法
·L8-HMM.pdf
o隐马尔可夫模型（HMM）
o应用与推断
·L9-MCMC.pdf
o马尔可夫链蒙特卡罗方法（MCMC）
o采样与推断
第五部分：高级主题
·L10-VariationalBayes.pdf
o变分贝叶斯方法
o应用与优化
·L11-PlanningAndInference.pdf
o规划与推断
o决策过程中的应用
·L12-GPs.pdf
o高斯过程（GPs）
o应用与优化
第五天：深度学习在声学超材料结构设计方面的应用
5.1 深度学习基础
·深度学习概述
o定义与特点
o发展历程
·神经网络基础
o神经元与层
o前向传播与反向传播
·常见深度学习模型
o卷积神经网络（CNN）
o循环神经网络（RNN）
o生成对抗网络（GAN）
5.2 深度学习在声学超材料中的应用
·深度学习在声学超材料设计中的应用
o结构优化
o性能预测
·深度学习在声学超材料制造中的应用
o制造过程监控
o缺陷检测
·深度学习在声学超材料应用中的案例分析
o噪声控制
o声学隐身
可以上下滚动查看
07
Comsol复合材料多物理场多尺度设计专题
基于Comsol的复合材料多物理场数值研究
o第一部分（复合材料基础与多物理场仿真）
理论内容
复合材料
1. 类型（材料基体VS材料分散相形态）
2. 制备工艺（杂化）
3. 性能与使用场景（极端条件与耐久性）
复合材料细观力学
1. 宏观性能VS细观结构
2. 材料强度与韧性
3. 失效、断裂过程
复合材料细观计算力学
1. 有限单元方法（细观应力场分布）
2. 复合材料损伤破坏过程的蒙特卡洛模拟
3. 复合材料断裂过程的格构模型
多物理场仿真
1.多物理场
2.仿真过程与物理场接口
实操内容
Comsol多物理场仿真软件的入门基础
1.软件功能与安装
2.操作界面
3.仿真步骤详述（物理场添加、几何模型、网格划分、边界条件、物理场接口、求解器设置、收敛与发散）
4.后处理介绍（物理参量绘图、数据提取、参数化计算）
案例：聚合物薄膜膨胀的稳态力学过程仿真分析
o第二部分 复合材料的力学性能（强度与失效行为）
理论内容
复合材料的有效性能
1.有效弹性模量
2.Esheby等效夹杂理论（相变问题、等效夹杂原理）
3.等效弹性模量的自洽理论
4.复合材料有效弹性模量的极限确定
复合材料的强度理论
1.应力集中（单纤维、纤维束、动态应力集中因子）
2.强度分布（单纤维、纤维束）
3.最大应力准则
4.最大应变准则
复合材料的细观损伤与断裂
1.正交叠层合板开裂模型
2.复合材料层合板的脱层损伤
3.复合材料脆性基体的断裂模型（稳态开裂、桥联模型）
复合材料的细观压缩失稳
1.平面弹塑性失稳
2.贯穿型失稳与折曲带
3.表面失稳
4.压缩失稳模式的缺陷敏感
实操内容
案例：复合材料气瓶执行屈曲分析
案例：“内聚力模型”(CZM) 模拟多层壳的脱层现象
案例：层压复合壳的结构完整性与失效模拟
o第三部分 复合材料的力学性能（动力学稳态与瞬态分析）
理论内容
动力学基础
1.应力应变
2.模态分析
3.疲劳
振动与噪声
1.频域分析
2.特征频率
3.共振现象
实操内容
案例：层压复合材料轮辋体的应力应变与特征频率分析
案例：复合材料层合板受迫振动的结构阻抗与特征频率分析
案例：层压复合材料制成的风力发电机叶片的变形与应变能分析
案例：常见简支复合材料层合板的弯曲分析
o第四部分 耦合物理场工况条件的数值研究（力—电耦合）
理论部分
压电现象
压电材料的物理本构方程
1.压电方程
2.梯度方程
3.平衡方程
4.边界条件
压电介质的Stroch方法
含椭圆夹杂压电材料的力电耦合分析
1.椭圆夹杂
2.裂纹
含椭球夹杂压电材料的弹性场与电场
压电复合材料的有效性能预报
1.Dilute 方法
2.Mori-Tanaka方法
实操部分
案例：使用多层壳功能对压电器件进行建模
案例：压电微泵的有限元仿真（压电&流固）
o第五部分 耦合物理场工况条件的数值研究（力—热耦合）
理论部分
复合材料的热应力（层合板）
1.热膨胀系数
2.焦耳热与热膨胀
3.温度梯度
4.热应变、热应力
温度场梯度中的应力计算
层间应力
1.层合板的层间应力
2.边缘效应产生的层间应力
实操部分
案例：加热电路设备的电热产生、传热以及机械应力和变形
案例：六层反对称角铺设层的层压复合壳进行热应力分析
案例图：
可以上下滚动查看
学习目标
01.机器学习材料设计
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。
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。
02.深度学习材料
1.理解深度学习与材料科学的结合点：掌握深度学习在材料特征工程和化学中的应用，了解当前研究的前沿方向。
2.熟练使用材料数据库与工具库：学习材料基因组的基本方法，并熟练掌握Material Project、Pymatgen、ASE等常见数据库及工具库的使用。
3.掌握常见深度学习算法的原理与应用：深入理解卷积神经网络、时序神经网络、生成模型及图神经网络的工作原理及其在材料研究中的具体应用。
4.培养实战能力：通过动手实践，包括深度学习框架Pytorch和Pytorch Lightning的使用、卷积神经网络在材料图像识别中的应用、基于Transformer的属性预测模型构建、生成对抗网络和变分自编码器在材料生成中的应用等，提升解决材料研究实际问题的能力。
03.Comsol复合材料多物理场多尺度设计
1.了解复合材料的类型、特点与研究方法。
2.掌握复合材料的力学模型（细观力学）与本构方程。
3.掌握Comsol多物理场仿真软件的建模过程与数值分析方法。
4.掌握复合材料的不同工况力学性能有限元分析步骤与仿真计算
5.掌握复合材料的典型力—热耦合有限元分析步骤与仿真计算
6.掌握复合材料的典型力—电耦合有限元分析步骤与仿真计算
04.深度学习超材料逆向设计
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）
05.机器学习锂离子电池
1.使学员了解锂离子电池的基本原理和特性，以及机器学习在电池技术中的应用背景。通过学习Python编程语言，使学员能够熟练使用基础语法、函数、模块、包和面向对象编程，让学员熟悉并掌握机器学习库。
2.使学员理解神经网络的基础知识，包括激活函数、损失函数、梯度下降与反向传播，并能够使用Pytorch构建全连接神经网络，掌握深度学习中的正则化技术、优化算法和超参数调优方法，了解并能够应用循环神经网络、卷积神经网络、图神经网络、注意力机制、Transformer架构、生成对抗网络和变分自编码器。
3.培养学员在锂离子电池正极材料特性工程方面的实战能力。通过实战项目，使学员能够使用机器学习技术预测锂离子电池性能、稳定性，并进行电池性能分类。理解如何将机器学习与分子动力学模拟、第一性原理计算以及实验数据结合，以加速新材料的发现和电池性能的优化。
4.电池管理系统（BMS）的智能化学习：使学员了解BMS的功能与组成，并能够应用机器学习技术进行电池充放电策略的优化。培养学员使用机器学习技术进行锂离子电池的实时充电状态（SOC）和健康状态（SOH）估计。
5.拓宽学员的国际视野，让他们接触和学习国际上的先进研究成果。培养具备跨学科整合能力的学员，使他们能够在锂离子电池、深度学习、数据科学等领域之间架起桥梁，开展创新性研究。
06.深度学习声学超材料
1.学习声学超材料的基本概念与理论。
2.掌握声学超材料的结构设计与分类。
3.了解声学超材料的制造方法。
4.探讨声学超材料的模拟与深度学习结合。
5.分析声学超材料研究的前沿进展与未来发展方向。
7.了解深度学习的基本概念和理论。
8.掌握深度学习模型的构建与训练方法。
9.探讨深度学习在声学超材料中的应用。
07.机器学习分子动力学
本次授课内容包括快速上手量化软件、入门和理解机器学习，熟练运用LAMMPS模拟软件，精通机器学习力场模型等，并附带大量相关代码与示例脚本。本次课不仅带来生态最完善的DeePMD系列软件的详解和使用，还将带来机器学习力场领域具有超高数据效率的等变模型(NequIP/MACE/Allegro)，从而显著减轻高昂的数据生产成本。此外，还有机器学习力场领域的ChatGPT产品——开箱即用、免费开源的通用大模型(MACE-OFF23,MACE-MP0,DPA等)的使用与微调技巧。
讲师介绍
机器学习深度学习材料
机器学习材料专题和深度学习材料专题主讲老师张老师来自国内“985工程”顶尖高校材料物理与化学专业，长期从事材料科学、机器学习，未来互联网与命名数据网络，量子力学等领域。在多个国际高水平期刊上发表 SCI检索论文20余篇。国家发明专利一项，他的授课方式深入浅出，能够将复杂的理论知识和计算方法讲解得清晰易懂，受到学员们的一致认可和高度评价！
Comsol复合材料多物理场多尺度设计
主讲老师985高校教授/博导，国家级青年人才带领团队讲授。长期从事Comsol复合材料与结构的研究与开发，近两年以第一/通讯作者发表SCI论文20余篇，包括多个中科院一区TOP期刊发表高水平论文。
深度学习超材料逆向设计
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。
机器学习分子动力学
机器学习分子动力学主讲老师来自国内高校陈老师授课，已发表SCI论文近20余篇，研究方向为基于机器学习的分子动力学模拟，包括 构建高效、高精度的AI分子力场模型，采用主动学习或大模型的知识蒸馏方法来获取高质量训练数据集， 开发基于C++的高性能的多GPU并行的LAMMPS的插件。熟知各种AI模型DeePMD, SchNet, DimeNet, SphereNet, DPA2和等变系列模型的Nequip, MACE, Allegro等，精通所有量子化学软件！
机器学习锂离子电池
主讲老师张老师来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事锂离子电池研究，特别是在利用计算模拟方法和机器学习技术解决锂离子电池领域的关键问题。在多个国际高水平期刊上发表 SCI检索论文30余篇。他的授课方式深入浅出，能够将复杂的理论知识和计算方法讲解得清晰易懂！
深度学习声学超材料
主讲老师来自中国TOP高校，在国内顶尖教授组中从事人工智能声学超材料设计研究，光学声学材料物理方向，在深度学习辅助的声学超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10篇，参与过多项国家级项目，担任JMR、APl等多个杂志的审稿人。
授课时间
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）
深度学习材料时间：
2024.11.2----2024.11.3（上午9.00-11.30下午13.30-17.00）
2024.11.6----2024.11.7（晚上19.00-22.00）
2024.11.9----2024.11.10（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）
机器学习分子动力学时间：
2024.10.19----2024.10.20（上午9.00-11.30下午13.30-17.00）
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（共四天课程 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----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）
机器学习锂离子电池时间：
2024.09.14----2024.09.15（上午9.00-11.30下午13.30-17.00）
2024.09.18---2024.09.19（晚上19.00-22.00）
2024.09.21----2024.09.22（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）
Comsol复合材料多物理场多尺度设计时间：
2024.11.2----2024.11.3（上午9.00-11.30下午13.30-17.00）
2024.11.6----2024.11.7（晚上19.00-22.00）
2024.11.9----2024.11.10（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）
培训费用
课程费用：
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、Comsol复合材料多物理场多尺度设计、深度学习声学超材料、
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）
机器学习分子动力学
报名费用：每人每班￥5280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 （原价14640，可任选三门课学习）
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）
套餐价：同时报名四个课程￥16880元（原价28980，可任选六门课学习）
报四增二（同时报名四个班可以免费赠送两个学习名额）
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｜张老师
咨询电话｜13141346157（微信同号）
