北京
第一性原理計(jì)算是一種基于量子力學(xué)基本原理（如薛定諤方程），僅使用基本物理常數(shù)而不依賴任何經(jīng)驗(yàn)參數(shù)，從源頭直接預(yù)測材料性質(zhì)的理論研究方法。在當(dāng)前前沿研究中，這一領(lǐng)域正經(jīng)歷深刻的范式變革：在方法論層面，第一性原理計(jì)算與機(jī)器學(xué)習(xí)原子間勢能深度融合，通過主動學(xué)習(xí)實(shí)現(xiàn)量子精度與介觀尺度的無縫橋接，成功解決了長期以來"精度與尺度不可兼得"的矛盾；在量子技術(shù)領(lǐng)域，研究人員利用第一性原理模擬預(yù)測出新型無氫碳氮缺陷（CN中心）可作為硅基量子比特的穩(wěn)健光源，為可擴(kuò)展量子計(jì)算提供了新的材料平臺；在硬件架構(gòu)層面，研究正從"數(shù)學(xué)驅(qū)動"走向"物理原理驅(qū)動"，例如基于憶阻器異質(zhì)集成實(shí)現(xiàn)了第一性原理傅里葉變換系統(tǒng)，將傳統(tǒng)由邏輯電路驅(qū)動的數(shù)值運(yùn)算轉(zhuǎn)化為材料特性驅(qū)動的自然演化過程；在理論深度上，第一性原理計(jì)算已能與Diagrammatic Monte Carlo等先進(jìn)理論結(jié)合，在原子尺度上揭示復(fù)雜氧化物中電子-聲子相互作用的微觀機(jī)制，實(shí)現(xiàn)理論與實(shí)驗(yàn)的定量吻合；同時，量子計(jì)算的發(fā)展使得超越玻恩-奧本海默近似、直接模擬電子-核耦合的非絕熱動力學(xué)成為可能，為光化學(xué)反應(yīng)等復(fù)雜體系的研究開辟了新路徑。
金屬有機(jī)框架（MOFs）是由金屬節(jié)點(diǎn)與有機(jī)配體通過配位鍵自組裝而成的晶態(tài)多孔材料，以其極高的比表面積、結(jié)構(gòu)可設(shè)計(jì)性和孔道可調(diào)性而聞名。在2025年諾貝爾化學(xué)獎的推動下，這一領(lǐng)域正經(jīng)歷從"絕緣多孔材料"向"多功能智能材料"的深刻轉(zhuǎn)型。當(dāng)前前沿研究主要聚焦于以下幾個方向：導(dǎo)電MOF通過π-d共軛設(shè)計(jì)實(shí)現(xiàn)了本征電子傳導(dǎo)，在鋰/鈉/鉀離子電池、超級電容器等儲能領(lǐng)域展現(xiàn)出巨大潛力；多金屬M(fèi)OF利用多種金屬節(jié)點(diǎn)間的協(xié)同效應(yīng)，在催化、光/電催化和傳感等領(lǐng)域性能遠(yuǎn)超單金屬體系；在微電子器件領(lǐng)域，MOF薄膜已實(shí)現(xiàn)晶圓級生長和30納米以下高分辨率圖案化，可應(yīng)用于憶阻器、化學(xué)晶體管和介電層；在環(huán)境修復(fù)方面，MOF光催化劑通過能帶工程和缺陷調(diào)控，實(shí)現(xiàn)了水體污染物降解和CO2光還原，并開發(fā)出集吸附與實(shí)時熒光檢測于一體的除氟材料；MOF膜通過配體缺失工程優(yōu)化納米通道，在高鹽鹵水處理中實(shí)現(xiàn)了99.9%的鹽截留率。此外，數(shù)據(jù)驅(qū)動的AI輔助設(shè)計(jì)正在加速新型MOF的發(fā)現(xiàn)與性能預(yù)測。
2026五大熱門專題
專題一：深度學(xué)習(xí)第一性原理
專題二：人工智能與MOF設(shè)計(jì)實(shí)戰(zhàn)
專題三：機(jī)器學(xué)習(xí)催化劑設(shè)計(jì)
專題四：機(jī)器學(xué)習(xí)鋰離子電池
專題五：機(jī)器學(xué)習(xí)固態(tài)電池
專題一
深度學(xué)習(xí)第一性原理
學(xué)習(xí)目標(biāo)
1.本課程以“深度學(xué)習(xí)+ 大語言模型雙引擎協(xié)同”為主線，系統(tǒng)講解從傳統(tǒng)第一性原理計(jì)算與分子動力學(xué)模擬，到機(jī)器學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)、通用深度勢能模型，再到 LLM 驅(qū)動的智能材料研究工作流的完整技術(shù)體系。
2.課程注重理論與實(shí)踐深度結(jié)合，通過大量上機(jī)實(shí)操與真實(shí)案例，幫助學(xué)員全面掌握AI 驅(qū)動材料模擬、性質(zhì)預(yù)測與材料發(fā)現(xiàn)的核心方法。
3..采用“理論講解+ 實(shí)踐操作 + 案例驅(qū)動”的教學(xué)模式，覆蓋計(jì)算環(huán)境搭建、材料數(shù)據(jù)庫、機(jī)器學(xué)習(xí)建模、圖神經(jīng)網(wǎng)絡(luò)、通用勢能模型（CHGNet / Mattersim / DeepMD）、動力學(xué)與擴(kuò)散模擬，以及大語言模型在材料科研中的協(xié)同應(yīng)用。學(xué)員將親手構(gòu)建從“數(shù)據(jù) → 模型 → 模擬 → 優(yōu)化 → 發(fā)現(xiàn)”的完整智能材料研究流程。
講師介紹
主講老師來自全國重點(diǎn)大學(xué)、“211工程”重點(diǎn)高校，長期從事人工智能驅(qū)動材料設(shè)計(jì)與計(jì)算模擬研究，兼具深度學(xué)習(xí)算法研發(fā)、通用勢能模型構(gòu)建與大語言模型科研應(yīng)用的交叉背景。通過理論結(jié)合實(shí)操與案例訓(xùn)練，幫助學(xué)員快速掌握AI驅(qū)動材料設(shè)計(jì)與智能發(fā)現(xiàn)的關(guān)鍵技術(shù)與跨學(xué)科能力。
專題二
人工智能與MOF設(shè)計(jì)實(shí)戰(zhàn)
學(xué)習(xí)目標(biāo)
1.系統(tǒng)引導(dǎo)學(xué)員搭建機(jī)器學(xué)習(xí)與MOF材料研究的交叉知識體系，清晰理解監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)及圖神經(jīng)網(wǎng)絡(luò)的核心原理，全面剖析各類機(jī)器學(xué)習(xí)算法在MOF材料性能預(yù)測、結(jié)構(gòu)篩選、合成設(shè)計(jì)等場景的應(yīng)用背景與適用范疇。通過Python及專屬機(jī)器學(xué)習(xí)庫的實(shí)操訓(xùn)練，學(xué)員能梳理機(jī)器學(xué)習(xí)技術(shù)在材料領(lǐng)域的應(yīng)用邏輯，掌握將機(jī)器學(xué)習(xí)技術(shù)落地MOF材料科學(xué)研究的關(guān)鍵能力。
2.幫助學(xué)員熟練掌握機(jī)器學(xué)習(xí)主流庫的核心功能與實(shí)操技巧，能靈活運(yùn)用線性回歸、隨機(jī)森林、XGBoost、圖卷積網(wǎng)絡(luò)（GCN）等經(jīng)典及前沿算法模型。掌握特征工程、模型訓(xùn)練、調(diào)優(yōu)評估的全流程實(shí)踐，同時讓學(xué)員掌握模型可解釋性分析方法（SHAP值、特征重要性分析等），理解MOF材料結(jié)構(gòu)-性能構(gòu)效關(guān)系，為優(yōu)化MOF材料性能、設(shè)計(jì)新型功能MOF體系提供理論支撐。
3.讓學(xué)員掌握圖神經(jīng)網(wǎng)絡(luò)適配MOF材料研究的核心邏輯，理解將MOF晶體結(jié)構(gòu)轉(zhuǎn)化為圖結(jié)構(gòu)的關(guān)鍵方法，明晰GCN、GAT、SchNet等圖神經(jīng)網(wǎng)絡(luò)架構(gòu)在MOF材料性質(zhì)預(yù)測中的優(yōu)勢。掌握圖神經(jīng)網(wǎng)絡(luò)在MOF領(lǐng)域的實(shí)操應(yīng)用，同時掌握大語言模型在MOF合成預(yù)測、文獻(xiàn)挖掘、代碼生成中的應(yīng)用技巧，為MOF新材料發(fā)現(xiàn)與合成研發(fā)開辟新研究路徑。
4.掌握“數(shù)據(jù)-特征-模型-預(yù)測-驗(yàn)證”的全流程實(shí)操能力，從MOF數(shù)據(jù)集處理、特征提取與降維，到模型訓(xùn)練調(diào)優(yōu)、評估應(yīng)用，再到主動學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)搭建、大語言模型應(yīng)用，讓學(xué)員掌握可直接復(fù)用的MOF材料機(jī)器學(xué)習(xí)研究代碼模板與分析方法，能夠獨(dú)立運(yùn)用機(jī)器學(xué)習(xí)技術(shù)解決MOF材料實(shí)際研究問題。
講師介紹
主講老師來自全國重點(diǎn)大學(xué)、國家“985工程”、“211工程”重點(diǎn)高校，長期從事機(jī)器學(xué)習(xí)輔助的材料設(shè)計(jì)與預(yù)測研究，兼具機(jī)器學(xué)習(xí)算法研發(fā)與MOF材料研究的交叉專業(yè)背景，熟悉MOF領(lǐng)域研究痛點(diǎn)與機(jī)器學(xué)習(xí)技術(shù)落地要點(diǎn)，能夠精準(zhǔn)結(jié)合領(lǐng)域?qū)嵗鸾饫碚撆c實(shí)操，讓學(xué)員快速掌握跨學(xué)科研究技能。
專題三
機(jī)器學(xué)習(xí)催化劑設(shè)計(jì)
學(xué)習(xí)目標(biāo)
1.課程將系統(tǒng)引導(dǎo)學(xué)員深入理解電催化、熱催化、光催化的核心原理，同時全面剖析機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及圖深度學(xué)習(xí)在催化領(lǐng)域的應(yīng)用背景與適用范疇。通過 Python 語言基礎(chǔ)與機(jī)器學(xué)習(xí)算法的專項(xiàng)學(xué)習(xí)，學(xué)員不僅能夠清晰梳理機(jī)器學(xué)習(xí)從萌芽到蓬勃發(fā)展的歷史脈絡(luò)，洞悉其在信息時代于不同領(lǐng)域的多樣化表現(xiàn)形式，更將通過實(shí)踐操作，切實(shí)掌握將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于科學(xué)研究的關(guān)鍵技能，為催化領(lǐng)域的前沿探索奠定堅(jiān)實(shí)基礎(chǔ)。
2.課程助力學(xué)員精準(zhǔn)把握傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法的本質(zhì)差異，熟練掌握 sklearn、torch 等主流第三方庫的核心功能與應(yīng)用技巧。通過系統(tǒng)學(xué)習(xí)與實(shí)踐，學(xué)員將能夠靈活運(yùn)用樹模型、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等算法模型，深度融入科學(xué)研究場景。同時，借助機(jī)器學(xué)習(xí)的可解釋性分析方法，深入挖掘數(shù)據(jù)背后的科學(xué)規(guī)律，精準(zhǔn)闡釋催化反應(yīng)機(jī)制，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動與理論解析的深度融合，為科學(xué)研究提供創(chuàng)新分析視角與可靠技術(shù)支撐。
3.通過培養(yǎng)學(xué)員將機(jī)器學(xué)習(xí)應(yīng)用在催化領(lǐng)域的研究思維，加速研究范式轉(zhuǎn)變。將機(jī)器學(xué)習(xí)與第一性原理或者實(shí)驗(yàn)結(jié)合，以實(shí)現(xiàn)快速發(fā)現(xiàn)催化材料。這種結(jié)合能夠充分發(fā)揮不同方法的優(yōu)勢，機(jī)器學(xué)習(xí)強(qiáng)大的數(shù)據(jù)處理和模式識別能力，可挖掘催化過程中的隱藏規(guī)律，第一性原理則能從量子力學(xué)層面揭示催化反應(yīng)的本質(zhì)，實(shí)驗(yàn)數(shù)據(jù)為模型提供真實(shí)可靠的驗(yàn)證基礎(chǔ)。同時，引導(dǎo)學(xué)員運(yùn)用遷移學(xué)習(xí)等技術(shù)，將在某一催化體系中訓(xùn)練得到的模型，快速應(yīng)用到相似體系，實(shí)現(xiàn)知識的高效復(fù)用。此外，借助機(jī)器學(xué)習(xí)的可解釋性研究，還能幫助學(xué)員深入理解催化反應(yīng)機(jī)制，為進(jìn)一步優(yōu)化催化材料性能、設(shè)計(jì)新型催化體系提供理論支撐，推動催化領(lǐng)域朝著智能化、精準(zhǔn)化方向邁進(jìn)。
4.圖拓?fù)浣Y(jié)構(gòu)和圖神經(jīng)網(wǎng)絡(luò)在催化領(lǐng)域有著廣泛的應(yīng)用。由于催化過程中存在大量繁雜的中間體，這為圖拓?fù)浣Y(jié)構(gòu)的構(gòu)建提供了豐富的數(shù)據(jù)來源，從而更有利于發(fā)現(xiàn)新的催化路徑。將晶體結(jié)構(gòu)從歐式空間轉(zhuǎn)化為非歐空間的圖結(jié)構(gòu)，相較于傳統(tǒng)描述符，能夠更有效地捕捉晶體結(jié)構(gòu)與目標(biāo)屬性之間的映射關(guān)系。通過培養(yǎng)學(xué)員跨學(xué)科、跨領(lǐng)域、跨范式的科學(xué)思維，有望為新材料發(fā)現(xiàn)開辟新的研究范式。
講師介紹
來自全國重點(diǎn)大學(xué)、國家“985工程”、“211工程”重點(diǎn)高校，長期從事機(jī)器學(xué)習(xí)輔助的催化劑設(shè)計(jì)與預(yù)測研究，在機(jī)器學(xué)習(xí)深度學(xué)習(xí)輔助的催化劑設(shè)計(jì)研究領(lǐng)域深耕多年，具有豐富的經(jīng)驗(yàn)和扎實(shí)的基礎(chǔ)。在多個國際高水平期刊上發(fā)表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識和計(jì)算方法講解得清晰易懂！
專題四
機(jī)器學(xué)習(xí)鋰離子電池
學(xué)習(xí)目標(biāo)
1. 使學(xué)員了解鋰離子電池的基本原理和特性，以及機(jī)器學(xué)習(xí)在電池技術(shù)中的應(yīng)用背景。通過學(xué)習(xí)Python編程語言，使學(xué)員能夠熟練使用基礎(chǔ)語法、函數(shù)、模塊、包和面向?qū)ο缶幊蹋寣W(xué)員熟悉并掌握機(jī)器學(xué)習(xí)庫。
2. 使學(xué)員理解神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，包括激活函數(shù)、損失函數(shù)、梯度下降與反向傳播，并能夠使用Pytorch構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)，掌握深度學(xué)習(xí)中的正則化技術(shù)、優(yōu)化算法和超參數(shù)調(diào)優(yōu)方法，了解并能夠應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、Transformer架構(gòu)、生成對抗網(wǎng)絡(luò)和變分自編碼器。
3. 培養(yǎng)學(xué)員在鋰離子電池正極材料特性工程方面的實(shí)戰(zhàn)能力。通過實(shí)戰(zhàn)項(xiàng)目，使學(xué)員能夠使用機(jī)器學(xué)習(xí)技術(shù)預(yù)測鋰離子電池性能、穩(wěn)定性，并進(jìn)行電池性能分類。理解如何將機(jī)器學(xué)習(xí)與分子動力學(xué)模擬、第一性原理計(jì)算以及實(shí)驗(yàn)數(shù)據(jù)結(jié)合，以加速新材料的發(fā)現(xiàn)和電池性能的優(yōu)化。
4. 電池管理系統(tǒng)（BMS）的智能化學(xué)習(xí)：使學(xué)員了解BMS的功能與組成，并能夠應(yīng)用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行電池充放電策略的優(yōu)化。培養(yǎng)學(xué)員使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行鋰離子電池的實(shí)時充電狀態(tài)（SOC）和健康狀態(tài)（SOH）估計(jì)。
5. 拓寬學(xué)員的國際視野，讓他們接觸和學(xué)習(xí)國際上的先進(jìn)研究成果。培養(yǎng)具備跨學(xué)科整合能力的學(xué)員，使他們能夠在鋰離子電池、深度學(xué)習(xí)、數(shù)據(jù)科學(xué)等領(lǐng)域之間架起橋梁，開展創(chuàng)新性研究。
講師介紹
來自全國重點(diǎn)大學(xué)、國家“985工程”、“211工程”重點(diǎn)高校，長期從事鋰離子電池研究，特別是在利用計(jì)算模擬方法和機(jī)器學(xué)習(xí)技術(shù)解決鋰離子電池領(lǐng)域的關(guān)鍵問題。在多個國際高水平期刊上發(fā)表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識和計(jì)算方法講解得清晰易懂！
專題五
機(jī)器學(xué)習(xí)固態(tài)電池
學(xué)習(xí)目標(biāo)
1. 掌握固態(tài)電池（SSB）的發(fā)展使命，基本構(gòu)成、固態(tài)電解質(zhì)分類，工作原理、關(guān)鍵挑戰(zhàn)與性能評估。
2. 了解利用第一性原理（DFT）和分子動力學(xué)（MD）及其相關(guān)工具（如VASP, CP2K, LAMMPS, Gromacs）計(jì)算固態(tài)電池關(guān)鍵材料（電極、電解質(zhì)）及界面性質(zhì)的基本方法。
3. 掌握機(jī)器學(xué)習(xí)的基本概念、常用算法及其在材料科學(xué)，特別是固態(tài)電池領(lǐng)域的應(yīng)用流程。
4. 學(xué)習(xí)如何為固態(tài)電池體系（包括電極、電解質(zhì)、界面）構(gòu)建有效的特征描述符以及如何利用VASP等DFT工具對該類描述符進(jìn)行計(jì)算。
5. 熟練運(yùn)用Python及其相關(guān)庫（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE）處理固態(tài)電池相關(guān)數(shù)據(jù)并構(gòu)建機(jī)器學(xué)習(xí)模型。
6. 掌握利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等模型預(yù)測固態(tài)電池關(guān)鍵性能（如界面穩(wěn)定性、離子電導(dǎo)率、循環(huán)壽命等）的方法。
7. 學(xué)習(xí)使用機(jī)器學(xué)習(xí)加速新型固態(tài)電池材料體系（特別是穩(wěn)定的界面組合）的發(fā)現(xiàn)和設(shè)計(jì)，如利用Matminer工具結(jié)合Material Project數(shù)據(jù)庫進(jìn)行高通量篩選。
8. 掌握使用機(jī)器學(xué)習(xí)與傳統(tǒng)計(jì)算模擬（DFT/MD）結(jié)合，進(jìn)行多尺度研究的策略，利用先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型如Deepmd-kit, MACE等加速材料的研發(fā)。
講師介紹
來自全國重點(diǎn)大學(xué)、國家“985工程”、“211工程"重點(diǎn)高校，長期從事固態(tài)電解質(zhì)材料的第一性原理、分子動力學(xué)模擬研究，特別是在利用計(jì)算模擬方法和機(jī)器學(xué)習(xí)相結(jié)合來加速材料篩選，性能預(yù)測等方面有深入研究。他的授課方式淺顯易懂，特別擅長從簡單角度出發(fā)，逐漸深入講解復(fù)雜的理論知識和計(jì)算方法!目前共發(fā)表論文（Nature Catalysis， Nature Communications， Energy & Environmental Science， Advanced Energy Materials等）共四十余篇。曾任Joule， Journal of Materials Chemstry A等期刊審稿人。
專題一：深度學(xué)習(xí)第一性原理
上下滑動查看完整內(nèi)容
第一天：計(jì)算環(huán)境+ Python 科學(xué)計(jì)算 + 材料建模基礎(chǔ)
上午：計(jì)算環(huán)境基礎(chǔ)與材料模擬理論
（1）第一性原理、分子動力學(xué)計(jì)算與Linux 環(huán)境搭建
系統(tǒng)介紹第一性原理計(jì)算與分子動力學(xué)模擬的基本思想、適用范圍與典型應(yīng)用場景，幫助學(xué)員建立對現(xiàn)代材料模擬方法體系的整體認(rèn)識。講解Linux 操作系統(tǒng)在科學(xué)計(jì)算中的基本使用方法，包括文件系統(tǒng)、常用命令、環(huán)境配置與軟件部署方式，并介紹科學(xué)計(jì)算常用軟件棧的組織方式與管理方法。
實(shí)踐內(nèi)容：
在Linux 環(huán)境下完成 Python 與材料模擬相關(guān)工具鏈的基礎(chǔ)運(yùn)行環(huán)境搭建。
（2）高通量計(jì)算與自動化腳本基礎(chǔ)
講解超算作業(yè)調(diào)度系統(tǒng)SLURM / PBS 的基本使用方式與作業(yè)提交流程，系統(tǒng)介紹 Bash 腳本中的循環(huán)結(jié)構(gòu)、條件判斷與函數(shù)封裝等常用編程方法，并以材料模擬中的參數(shù)掃描與收斂性測試為例，講解如何構(gòu)建自動化批量計(jì)算流程，實(shí)現(xiàn)大規(guī)模計(jì)算任務(wù)的高效管理。
實(shí)踐內(nèi)容：
編寫用于批量計(jì)算與參數(shù)掃描的自動化腳本，實(shí)現(xiàn)簡單高通量計(jì)算流程。
下午：Python 科學(xué)計(jì)算與專業(yè)材料工具
（1）Python 科學(xué)計(jì)算生態(tài)系統(tǒng)
系統(tǒng)講解NumPy、Pandas、Matplotlib、SciPy 在材料數(shù)據(jù)處理、數(shù)值計(jì)算與科學(xué)繪圖中的典型用法，介紹晶體結(jié)構(gòu)、原子坐標(biāo)、晶格參數(shù)與物性數(shù)據(jù)的數(shù)組化表示方法，并講解如何進(jìn)行統(tǒng)計(jì)分析與可視化展示。同時介紹 Jupyter Notebook 在可復(fù)現(xiàn)計(jì)算流程、科研記錄與結(jié)果展示中的應(yīng)用方式。
實(shí)踐內(nèi)容：
使用Python 對材料結(jié)構(gòu)與物性數(shù)據(jù)進(jìn)行讀取、處理、統(tǒng)計(jì)分析與可視化展示。
（2）專業(yè)材料分析工具：ASE 與 Pymatgen
系統(tǒng)講解ASE 在原子結(jié)構(gòu)構(gòu)建、文件格式轉(zhuǎn)換、幾何優(yōu)化與分子動力學(xué)模擬設(shè)置中的應(yīng)用方法，講解 Pymatgen 在晶體對稱性分析、缺陷建模、熱力學(xué)與電子結(jié)構(gòu)數(shù)據(jù)處理等方面的核心功能，并介紹如何構(gòu)建從結(jié)構(gòu)生成、第一性原理計(jì)算到后處理分析的自動化材料模擬工作流。
實(shí)踐內(nèi)容：
使用ASE 與 Pymatgen 進(jìn)行分子、晶體與界面模型的構(gòu)建、分析與可視化。
（3）材料數(shù)據(jù)庫入門與初步機(jī)器學(xué)習(xí)建模
講解現(xiàn)代材料研究中材料數(shù)據(jù)庫在數(shù)據(jù)驅(qū)動材料發(fā)現(xiàn)中的重要作用，介紹C2DB 二維材料數(shù)據(jù)庫與 MOF 數(shù)據(jù)庫的結(jié)構(gòu)、分類方式與 API 使用方法。系統(tǒng)講解面向機(jī)器學(xué)習(xí)的材料數(shù)據(jù)準(zhǔn)備流程，包括數(shù)據(jù)清洗、缺失值處理、特征篩選與數(shù)據(jù)質(zhì)量評估等關(guān)鍵步驟。
實(shí)踐內(nèi)容：
從材料數(shù)據(jù)庫中獲取數(shù)據(jù)，完成數(shù)據(jù)預(yù)處理，并基于DeepSeek 構(gòu)建第一個材料性質(zhì)回歸模型。
第二天：第一性原理計(jì)算實(shí)戰(zhàn)+ 材料數(shù)據(jù)庫與機(jī)器學(xué)習(xí)
上午：GPAW 第一性原理計(jì)算與材料性質(zhì)模擬
（1）GPAW DFT 計(jì)算框架與材料性質(zhì)計(jì)算實(shí)戰(zhàn)
系統(tǒng)介紹GPAW 密度泛函理論計(jì)算框架的基本原理、數(shù)值實(shí)現(xiàn)方法及其在材料模擬中的典型應(yīng)用場景。講解材料結(jié)構(gòu)優(yōu)化的標(biāo)準(zhǔn)流程，包括截?cái)嗄堋 點(diǎn)采樣的收斂性測試方法。隨后以典型半導(dǎo)體與金屬體系為例，講解能帶結(jié)構(gòu)計(jì)算的布里淵區(qū)路徑設(shè)置方法、能帶圖的繪制方式與物理含義解讀。同時介紹表面與界面體系的建模方法，并講解分子在表面吸附構(gòu)型搜索、吸附能與反應(yīng)能的計(jì)算流程。
實(shí)踐內(nèi)容：
完成典型材料體系的結(jié)構(gòu)優(yōu)化、能帶結(jié)構(gòu)計(jì)算，以及簡單表面吸附體系的構(gòu)型優(yōu)化與吸附能計(jì)算。
（2）多物性第一性原理計(jì)算方法
系統(tǒng)講解基于第一性原理的多物性計(jì)算方法，包括掃描隧道顯微鏡（STM）模擬的理論基礎(chǔ)與局域態(tài)密度分析方法，拉曼光譜計(jì)算中聲子模式與拉曼活性選擇定則的物理背景，以及材料光學(xué)性質(zhì)（介電函數(shù)、吸收系數(shù)等）的計(jì)算流程。同時結(jié)合二維材料體系，介紹其電子結(jié)構(gòu)與光學(xué)性質(zhì)的計(jì)算特點(diǎn)，并以催化表面體系為例，講解表面吸附與反應(yīng)相關(guān)性質(zhì)的計(jì)算策略。
實(shí)踐內(nèi)容：
完成STM 模擬、拉曼光譜計(jì)算、光學(xué)性質(zhì)計(jì)算，并對催化表面吸附體系進(jìn)行第一性原理計(jì)算；同時演示基于高精度一致性數(shù)據(jù)集的高通量自動化計(jì)算流程。
下午：材料數(shù)據(jù)庫 + 機(jī)器學(xué)習(xí)建模
（1）材料數(shù)據(jù)庫的獲取、管理與智能查詢
系統(tǒng)介紹MC2D、Materials Project 與 AFLOW 等主流材料數(shù)據(jù)庫的數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)類型與典型應(yīng)用場景，同時講解 CSD、CoRE-MOF 與 QMOF 等結(jié)構(gòu)數(shù)據(jù)庫中的數(shù)據(jù)特點(diǎn)與結(jié)構(gòu)可視化、格式轉(zhuǎn)換方法。隨后講解材料數(shù)據(jù)在進(jìn)入機(jī)器學(xué)習(xí)建模前的數(shù)據(jù)質(zhì)量評估流程，包括數(shù)據(jù)完整性檢查、異常值識別與基本篩選策略，并介紹大語言模型結(jié)合 MCP 協(xié)議進(jìn)行自然語言數(shù)據(jù)庫查詢與智能檢索的基本思路。
實(shí)踐內(nèi)容：
通過數(shù)據(jù)庫API 從多個材料數(shù)據(jù)庫中獲取數(shù)據(jù)，完成數(shù)據(jù)整理、初步清洗與結(jié)構(gòu)信息解析。
（2）機(jī)器學(xué)習(xí)在材料性質(zhì)預(yù)測中的建模流程
系統(tǒng)講解材料機(jī)器學(xué)習(xí)模型中常用的描述符構(gòu)建方法，包括結(jié)構(gòu)特征、電子特征與化學(xué)特征等多種信息的組合方式。隨后以多個典型任務(wù)為例，講解回歸模型在材料形成能預(yù)測、彈性力學(xué)性質(zhì)預(yù)測以及HER 催化吸附自由能預(yù)測中的建模流程。同時介紹模型評估方法，包括學(xué)習(xí)曲線、交叉驗(yàn)證與泛化誤差分析等，用于判斷模型的可靠性與適用范圍。
實(shí)踐內(nèi)容：
使用matminer 構(gòu)建多種材料性質(zhì)預(yù)測模型，分別完成材料熱力學(xué)穩(wěn)定性、彈性力學(xué)性質(zhì)與吸附自由能的回歸預(yù)測，并對模型效果進(jìn)行評估與對比分析。
第三天：深度學(xué)習(xí)模型（GNN + 勢能模型）
上午：圖神經(jīng)網(wǎng)絡(luò)與 CGCNN
（1）圖神經(jīng)網(wǎng)絡(luò)與CGCNN 在材料性能預(yù)測中的應(yīng)用
系統(tǒng)回顧深度學(xué)習(xí)在材料科學(xué)中的發(fā)展歷程與相較傳統(tǒng)機(jī)器學(xué)習(xí)方法的核心優(yōu)勢，介紹圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network, GNN）的基本思想，包括圖表示學(xué)習(xí)與消息傳遞機(jī)制等核心概念。隨后重點(diǎn)講解 CGCNN（Crystal Graph Convolutional Neural Network）的模型原理與網(wǎng)絡(luò)架構(gòu)，包括晶體結(jié)構(gòu)的圖表示方法、卷積操作在晶體圖中的實(shí)現(xiàn)方式，以及面向回歸與分類任務(wù)的網(wǎng)絡(luò)設(shè)計(jì)思路。同時對比深度學(xué)習(xí)方法與傳統(tǒng)機(jī)器學(xué)習(xí)方法在預(yù)測精度、特征工程依賴程度與數(shù)據(jù)需求等方面的差異。
實(shí)踐內(nèi)容：
使用CGCNN 模型對典型材料數(shù)據(jù)集進(jìn)行訓(xùn)練與測試，完成材料形成能、吸附能等性質(zhì)的預(yù)測任務(wù)，并分析模型預(yù)測效果。
（2）深度學(xué)習(xí)模型在材料數(shù)據(jù)建模中的方法對比與應(yīng)用分析
進(jìn)一步結(jié)合具體案例，分析圖神經(jīng)網(wǎng)絡(luò)模型在處理復(fù)雜晶體結(jié)構(gòu)數(shù)據(jù)時相較傳統(tǒng)描述符方法的優(yōu)勢與適用場景，討論模型在不同數(shù)據(jù)規(guī)模與不同材料體系下的表現(xiàn)特點(diǎn)，并介紹模型訓(xùn)練過程中的基本調(diào)參與誤差分析方法，為后續(xù)通用勢能模型的學(xué)習(xí)打下基礎(chǔ)。
實(shí)踐內(nèi)容：
對CGCNN 模型的關(guān)鍵參數(shù)進(jìn)行簡單調(diào)節(jié)，對比不同模型設(shè)置下的預(yù)測性能差異。
下午：CHGNet 通用勢能模型
（1）神經(jīng)網(wǎng)絡(luò)勢能模型發(fā)展與CHGNet 架構(gòu)解析
系統(tǒng)介紹神經(jīng)網(wǎng)絡(luò)勢能函數(shù)從傳統(tǒng)經(jīng)驗(yàn)力場到深度學(xué)習(xí)勢能模型的發(fā)展歷程，講解CHGNet 通用材料勢能模型的整體設(shè)計(jì)思想與網(wǎng)絡(luò)架構(gòu)。重點(diǎn)講解圖神經(jīng)網(wǎng)絡(luò)在勢能建模中的應(yīng)用方式，以及 CHGNet 中電荷—幾何—磁性信息的聯(lián)合建模策略，并介紹多任務(wù)學(xué)習(xí)框架下同時預(yù)測能量、原子力與應(yīng)力張量的實(shí)現(xiàn)方法。
實(shí)踐內(nèi)容：
調(diào)用預(yù)訓(xùn)練CHGNet 模型對典型材料體系進(jìn)行能量與結(jié)構(gòu)穩(wěn)定性預(yù)測，并對預(yù)測結(jié)果進(jìn)行初步分析。
（2）CHGNet 與第一性原理計(jì)算的對比及實(shí)際應(yīng)用
系統(tǒng)對比CHGNet 等通用勢能模型與傳統(tǒng)第一性原理計(jì)算在精度、計(jì)算效率與適用規(guī)模方面的差異，講解預(yù)訓(xùn)練模型的使用方式及其在大規(guī)模材料篩選中的優(yōu)勢。隨后結(jié)合具體材料體系，演示如何使用 CHGNet 進(jìn)行結(jié)構(gòu)優(yōu)化、性質(zhì)預(yù)測，并進(jìn)一步拓展到材料磁性與結(jié)構(gòu)相關(guān)性質(zhì)的快速評估。
實(shí)踐內(nèi)容：
使用CHGNet 完成材料結(jié)構(gòu)優(yōu)化與勢能預(yù)測，并對材料的磁性與結(jié)構(gòu)穩(wěn)定性等性質(zhì)進(jìn)行預(yù)測與分析。
第四天：深度勢能模型高級應(yīng)用
上午：多物性預(yù)測 + 模型微調(diào)
（1）通用模型的聲子譜與熱學(xué)性質(zhì)預(yù)測
系統(tǒng)講解基于Mattersim 等通用材料大模型進(jìn)行晶格動力學(xué)與聲子譜計(jì)算的基本原理，包括聲子色散關(guān)系與聲子態(tài)密度（DOS）的物理含義及其分析方法。在此基礎(chǔ)上，介紹如何進(jìn)一步利用聲子信息計(jì)算材料的熱導(dǎo)率、熱容與德拜溫度等關(guān)鍵熱學(xué)性質(zhì)，并講解這些物性在熱管理與功能材料設(shè)計(jì)中的重要意義。
實(shí)踐內(nèi)容：
使用Mattersim 模型對典型材料體系進(jìn)行聲子譜計(jì)算，分析聲子色散關(guān)系與態(tài)密度，并完成熱學(xué)性質(zhì)（熱容、德拜溫度等）的預(yù)測。
（2）通用模型的微調(diào)策略與小樣本學(xué)習(xí)
系統(tǒng)介紹預(yù)訓(xùn)練通用勢能模型在特定材料體系或特定物性任務(wù)上的微調(diào)方法，講解小樣本學(xué)習(xí)在材料科學(xué)中的應(yīng)用場景與基本思路，以及如何通過有限的高精度數(shù)據(jù)對通用模型進(jìn)行材料體系適配，從而在保證精度的同時大幅降低重新訓(xùn)練模型的成本。
實(shí)踐內(nèi)容：
使用Mattersim / MACE 對特定材料體系進(jìn)行模型微調(diào)，并將微調(diào)后的模型應(yīng)用于晶格動力學(xué)計(jì)算及催化吸附 / 解離相關(guān)性質(zhì)預(yù)測。
下午：DeepMD 與離子擴(kuò)散
（1）深度勢能模型的構(gòu)建與應(yīng)用
系統(tǒng)介紹DeepMD-kit 框架的整體工作流程，包括描述符構(gòu)建、神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與模型驗(yàn)證方法。結(jié)合多種典型材料體系，講解 DeepMD 在金屬體系與固態(tài)電解質(zhì)材料中的應(yīng)用方式，并介紹如何利用深度勢能模型高效計(jì)算材料的彈性性質(zhì)、狀態(tài)方程（EOS）以及聲子譜等物理量。
實(shí)踐內(nèi)容：
演示使用DeepMD 勢能模型對典型材料體系進(jìn)行性質(zhì)計(jì)算，包括彈性性質(zhì)與狀態(tài)方程分析。
（2）過渡態(tài)搜索與離子擴(kuò)散性質(zhì)計(jì)算
系統(tǒng)講解過渡態(tài)（NEB）方法的基本原理及其在擴(kuò)散過程研究中的應(yīng)用，介紹如何基于深度學(xué)習(xí)勢能模型高效搜索離子遷移路徑與過渡態(tài)結(jié)構(gòu)。以 LiFePO? 等鋰離子電池相關(guān)材料為例，講解鋰離子在固體材料中的擴(kuò)散機(jī)制與擴(kuò)散能壘的計(jì)算方法，并進(jìn)一步介紹如何由此估算擴(kuò)散系數(shù)等動力學(xué)參數(shù)。
實(shí)踐內(nèi)容：
完成固態(tài)電解質(zhì)或鋰電材料中Li 離子擴(kuò)散路徑的 NEB 計(jì)算，并基于計(jì)算結(jié)果估算離子擴(kuò)散能壘與擴(kuò)散系數(shù)。
第五天：大語言模型+ AI 協(xié)同材料設(shè)計(jì)工作流
上午：大語言模型與材料模擬協(xié)同
（1）大語言模型在材料模擬流程中的應(yīng)用
系統(tǒng)介紹大語言模型（LLM）在材料模擬與計(jì)算材料科學(xué)工作流中的應(yīng)用方式，包括在計(jì)算結(jié)果自動解讀、結(jié)果總結(jié)與報告生成中的作用。講解如何利用大語言模型輔助進(jìn)行文獻(xiàn)調(diào)研與信息抽取，以及在材料數(shù)據(jù)挖掘與知識整理中的應(yīng)用場景。同時介紹基于 Ollama 的本地大模型自動化部署方式，以及如何將大語言模型嵌入到日常科研計(jì)算流程中。
實(shí)踐內(nèi)容：
使用大語言模型對已有材料模擬計(jì)算結(jié)果進(jìn)行自動分析與摘要生成，并演示基于本地模型的基本調(diào)用方式。
（2）LLM + 材料模擬 + 數(shù)據(jù)庫的協(xié)同工作流
系統(tǒng)講解如何將大語言模型與材料模擬軟件及材料數(shù)據(jù)庫進(jìn)行聯(lián)動，構(gòu)建從“問題描述 → 數(shù)據(jù)檢索 → 計(jì)算執(zhí)行 → 結(jié)果分析 → 報告生成”的一體化智能工作流。重點(diǎn)介紹自然語言接口在數(shù)據(jù)庫檢索與計(jì)算流程組織中的作用，以及多工具協(xié)同調(diào)用的基本設(shè)計(jì)思路。
實(shí)踐內(nèi)容：
構(gòu)建一個簡單的LLM 驅(qū)動材料模擬輔助流程，實(shí)現(xiàn)從自然語言查詢到數(shù)據(jù)庫檢索與結(jié)果匯總的自動化演示。
下午：AI 協(xié)同材料發(fā)現(xiàn)與全局優(yōu)化
（1）AI 材料發(fā)現(xiàn)工作流與全局結(jié)構(gòu)搜索方法
系統(tǒng)講解AI 驅(qū)動的材料發(fā)現(xiàn)整體工作流，包括數(shù)據(jù)準(zhǔn)備、模型預(yù)測、候選結(jié)構(gòu)篩選與高精度驗(yàn)證的基本流程。在此基礎(chǔ)上，介紹兩類常用的全局優(yōu)化算法——遺傳算法與粒子群優(yōu)化算法的基本思想、適用場景及其在材料結(jié)構(gòu)搜索問題中的應(yīng)用方式。
實(shí)踐內(nèi)容：
演示遺傳算法或粒子群優(yōu)化在簡單結(jié)構(gòu)搜索問題中的基本使用流程。
（2）基于通用勢能模型的材料結(jié)構(gòu)搜索與課程總結(jié)
講解如何將通用深度勢能模型與全局優(yōu)化算法相結(jié)合，用于新材料結(jié)構(gòu)的高效搜索與篩選，并對搜索得到的候選結(jié)構(gòu)進(jìn)行快速性質(zhì)評估。隨后對整個五天課程中涉及的計(jì)算材料學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與大語言模型技術(shù)路線進(jìn)行系統(tǒng)梳理與總結(jié)，幫助學(xué)員建立完整的AI 驅(qū)動材料研究技術(shù)框架。
實(shí)踐內(nèi)容：
使用通用勢能模型結(jié)合全局優(yōu)化算法完成新材料結(jié)構(gòu)搜索示例，并對搜索結(jié)果進(jìn)行初步分析與討論；最后進(jìn)行全課程總結(jié)與綜合交流討論。
專題二：人工智能與MOF設(shè)計(jì)實(shí)戰(zhàn)
上下滑動查看完整內(nèi)容
第一天上午
機(jī)器學(xué)習(xí)與金屬有機(jī)框架（MOF）緒論
監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)的區(qū)別和應(yīng)用場景
機(jī)器學(xué)習(xí)算法的分類和特點(diǎn)以及在MOF中的應(yīng)用
機(jī)器學(xué)習(xí)模型理論講解，監(jiān)督學(xué)習(xí)（回歸與分類），線性回歸模型，邏輯回歸模型，K近鄰模型，支持向量機(jī)模型，決策樹模型，神經(jīng)網(wǎng)絡(luò)模型
實(shí)操：
安裝Python和必要的機(jī)器學(xué)習(xí)庫
機(jī)器學(xué)習(xí)工具，常用的機(jī)器學(xué)習(xí)庫Scikit-Learn等實(shí)操
機(jī)器學(xué)習(xí)輔助發(fā)現(xiàn)丙烷選擇性金屬有機(jī)框架
MOF數(shù)據(jù)集處理：數(shù)據(jù)整合，Python清洗數(shù)據(jù)，處理缺失值（如用均值填充MOF缺失特征）、異常值（剔除超常規(guī)范圍的錯誤數(shù)據(jù)），構(gòu)建標(biāo)準(zhǔn)化數(shù)據(jù)集
MOF特征提取與分析：特征提取，特征初步分析，分析特征與目標(biāo)性能，篩選關(guān)鍵特征
模型訓(xùn)練與調(diào)優(yōu)，數(shù)據(jù)劃分、模型訓(xùn)練
性能預(yù)測，模型評估，回歸模型等評價指標(biāo)與調(diào)用方法（均方誤差（MSE）、平均絕對誤差（MAE）、決定系數(shù)（R2）等）
掌握“數(shù)據(jù)-特征-模型-預(yù)測”全流程，能用機(jī)器學(xué)習(xí)解決MOF材料性能預(yù)測問題，輸出可復(fù)用的代碼模板與結(jié)果分析。
以上實(shí)操內(nèi)容結(jié)合MOF領(lǐng)域的例子和數(shù)據(jù)
第一天：下午
集成學(xué)習(xí)講解：
Bagging (如隨機(jī)森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)
隨機(jī)森林（Random Forest）原理與應(yīng)用
梯度提升樹（Gradient Boosting）原理與應(yīng)用
實(shí)操：
通過機(jī)器學(xué)習(xí)加速發(fā)現(xiàn)水穩(wěn)定金屬-有機(jī)框架
MOF的特征處理：標(biāo)準(zhǔn)化，區(qū)間縮放法，歸一化，定量特征二值化，OneHot獨(dú)熱編碼等
MOF特征降維：特征選擇（相關(guān)系數(shù)法，卡方檢驗(yàn)，遞歸消除特征法，基于模型的特征選擇法），線性降維（主成分分析法PCA處理，線性判別法）
分類模型驗(yàn)證指標(biāo)（準(zhǔn)確率，查準(zhǔn)率和查全率，F(xiàn)得分，分類報告，混淆矩陣）ROC和AUC曲線等；
多類集成學(xué)習(xí)模型的訓(xùn)練預(yù)測與評估
交叉驗(yàn)證（Cross-Validation）：K折交叉驗(yàn)證、留一法等，用于評估模型泛化能力。
模型選擇與避免過擬合/欠擬合：學(xué)習(xí)曲線分析
第二天：上午
無監(jiān)督學(xué)習(xí)
什么是無監(jiān)督學(xué)習(xí)
無監(jiān)督算法——聚類
無監(jiān)督算法——降維
K-均值聚類（K-Means），層次聚類，t-SNE、主成分分析原理與實(shí)操講解
實(shí)操：
鳶尾花數(shù)據(jù)集用于聚類實(shí)現(xiàn)和應(yīng)用
T-SNE實(shí)現(xiàn)和應(yīng)用
PCA的實(shí)現(xiàn)和應(yīng)用
層次聚類的實(shí)現(xiàn)和應(yīng)用
K-means聚類的實(shí)現(xiàn)和應(yīng)用
MOF材料聚類實(shí)操：
數(shù)據(jù)加載，參數(shù)調(diào)優(yōu)，構(gòu)建模型，對MOF材料數(shù)據(jù)執(zhí)行降維，可視化及分析
第二天：下午
實(shí)操：機(jī)器學(xué)習(xí)與金屬有機(jī)框架在氣體存儲和分離領(lǐng)域的結(jié)合
實(shí)操：機(jī)器學(xué)習(xí)輔助預(yù)測金屬有機(jī)框架中的儲氫性能
多種機(jī)器學(xué)習(xí)模型構(gòu)建，線性回歸模型，邏輯回歸模型，K近鄰模型，支持向量機(jī)模型，決策樹模型，神經(jīng)網(wǎng)絡(luò)模型
集成學(xué)習(xí)訓(xùn)練：Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM
參數(shù)調(diào)優(yōu)與模型優(yōu)化，.超參數(shù)調(diào)優(yōu)：網(wǎng)格搜索（Grid Search）、隨機(jī)搜索（Random Search）
模型評估與結(jié)果分析
第三天：上午
利用機(jī)器學(xué)習(xí)鞏固MOF實(shí)驗(yàn)結(jié)果的多樣性
MOF數(shù)據(jù)探索，特征工程，數(shù)據(jù)預(yù)處理
多種機(jī)器學(xué)習(xí)方法應(yīng)用于MOF材料綜合訓(xùn)練
機(jī)器學(xué)習(xí)模型訓(xùn)練與評估
模型的可解釋性實(shí)戰(zhàn)，線性回歸方程式，決策樹模型可視化，隨機(jī)森林篩選特征等重要性，SHAP值可解釋性等
第三天：下午
實(shí)操：利用溫度驅(qū)動主動學(xué)習(xí)實(shí)現(xiàn)金屬有機(jī)框架的機(jī)器學(xué)習(xí)潛力
關(guān)鍵概念（回歸樹、主動學(xué)習(xí)）
初始化參數(shù)與數(shù)據(jù)存儲設(shè)計(jì)
數(shù)據(jù)處理：input方法的數(shù)據(jù)校驗(yàn)與格式轉(zhuǎn)換
模型訓(xùn)練：fit_tree 方法與回歸樹擬合邏輯
主動學(xué)習(xí)核心：葉子節(jié)點(diǎn)統(tǒng)計(jì)（方差、樣本占比）計(jì)算
實(shí)操應(yīng)用：模型預(yù)測、樣本標(biāo)記更新與迭代優(yōu)化
第四天：上午
深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)：感知器、多層感知器（MLP）、激活函數(shù)（ReLU, Sigmoid, Tanh）、損失函數(shù)、梯度下降與反向傳播。
前向傳播與反向傳播核心邏輯
MOF核心特性：結(jié)構(gòu)與應(yīng)用場景
交叉邏輯：神經(jīng)網(wǎng)絡(luò)如何適配MOF結(jié)構(gòu)-性能預(yù)測需求
實(shí)操：
手動實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)全流程（參數(shù)初始化→前向/反向傳播→參數(shù)更新）
編寫參數(shù)初始化、sigmoid 函數(shù)、前向傳播代碼
實(shí)現(xiàn)交叉熵?fù)p失計(jì)算與反向傳播梯度求解
搭建完整訓(xùn)練循環(huán)，進(jìn)行模型訓(xùn)練和驗(yàn)證
調(diào)試優(yōu)化：調(diào)整學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)，解決收斂慢問題
第四天：下午
圖神經(jīng)網(wǎng)絡(luò)（GNN）及其在MOF材料中的應(yīng)用
GNN特征工程的特點(diǎn)
圖的基本概念：節(jié)點(diǎn)（原子）、邊（鍵）、圖（晶體結(jié)構(gòu)/分子）GNN基本思想：消息傳遞機(jī)制
常用GNN架構(gòu)介紹：GCN, GAT, SchNet, MEGNet/ALIGNN等
實(shí)操：
用于MOF性質(zhì)預(yù)測的常規(guī)機(jī)器學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò)模型的比較分析
圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型構(gòu)建
使用MOF圖結(jié)構(gòu)數(shù)據(jù)訓(xùn)練GCN模型
針對GCN模型的關(guān)鍵參數(shù)進(jìn)行優(yōu)化，提升模型性能。
從預(yù)測精度、泛化能力、訓(xùn)練效率等方面對機(jī)器學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評估
對比分析不同模型在MOF性質(zhì)預(yù)測中的優(yōu)勢與不足
第五天：上午
實(shí)操：人工智能和高通量計(jì)算工作流程助力快速篩選用于儲氫的金屬有機(jī)框架材料
實(shí)操深度學(xué)習(xí)模型架構(gòu)：GNN的圖卷積層設(shè)計(jì)
模型關(guān)鍵組件激活函數(shù)、池化層、損失函數(shù)等的選擇依據(jù)
模型搭建的核心邏輯與參數(shù)初始化技巧
復(fù)刻論文模型：搭建GNN模型
配置訓(xùn)練參數(shù)學(xué)習(xí)率、批量大小、迭代次數(shù)、編寫訓(xùn)練循環(huán)代碼，實(shí)現(xiàn)前向傳播與梯度下降參數(shù)更新
模型評估與模型應(yīng)用
總結(jié)兩類模型在MOF材料研究不同場景下的適用情況，為實(shí)際研究中的模型選擇提供參考
第五天：下午
實(shí)戰(zhàn)例子：大語言模型作為化學(xué)助手預(yù)測MOF合成
基于大語言模型的文本挖掘的設(shè)計(jì)
提示工程設(shè)計(jì)
大語言模型輔助Python代碼生成和數(shù)據(jù)處理
MOF合成結(jié)果的預(yù)測建模
探索大型語言模型在MOF領(lǐng)域的適應(yīng)性和多功能性
專題三：機(jī)器學(xué)習(xí)催化劑設(shè)計(jì)
上下滑動查看完整內(nèi)容
第一天：
第一天上午
理論內(nèi)容：
1.機(jī)器學(xué)習(xí)概述
2.材料與化學(xué)中的常見機(jī)器學(xué)習(xí)方法
3.應(yīng)用前沿
實(shí)操內(nèi)容：
1.Python基礎(chǔ)：變量和數(shù)據(jù)類型，列表，字典，if語句，循環(huán)，函數(shù)
2.Python科學(xué)數(shù)據(jù)處理：NumPy，Pandas，Matplotlib
案例一：隨著AI For Science時代的到來，機(jī)器學(xué)習(xí)以優(yōu)異的速度迅速擴(kuò)展到各個領(lǐng)域。本次培訓(xùn)詳細(xì)講解從下載到安裝，再到環(huán)境配置全流程。無論是數(shù)據(jù)科學(xué)新手還是進(jìn)階學(xué)習(xí)者，都能借此掌握 Anaconda 操作要點(diǎn)，輕松搭建編程環(huán)境，為后續(xù) Python 開發(fā)、數(shù)據(jù)分析等工作筑牢基礎(chǔ)。
第一天下午
理論內(nèi)容：
1.sklearn基礎(chǔ)介紹
2.線性回歸原理和正則化
實(shí)操內(nèi)容：
1. 線性回歸方法的實(shí)現(xiàn)與初步應(yīng)用
2. L1和L2正則項(xiàng)的使用方法
3. 線性回歸用于HER催化劑的篩選
4. 符號回歸用于發(fā)現(xiàn)金屬催化氧化載體中金屬-載體相互作用
案例二：金屬-載體相互作用是多相催化中最重要的支柱之一，但由于其復(fù)雜的界面，建立一個基本的理論一直具有挑戰(zhàn)性。基于實(shí)驗(yàn)數(shù)據(jù)、可解釋的機(jī)器學(xué)習(xí)、理論推導(dǎo)和第一性原理模擬，以建立了基于金屬-金屬和金屬-氧相互作用的金屬-氧化物相互作用的一般理論（符號回歸）。
第二天上午
理論內(nèi)容：
1. 邏輯回歸
1.1原理
1.2 使用方法
2. K近鄰方法（KNN）
2.1 KNN分類原理
2.2 KNN分類應(yīng)用
3. 神經(jīng)網(wǎng)絡(luò)方法的原理
3.1 神經(jīng)網(wǎng)絡(luò)原理
3.2神經(jīng)網(wǎng)絡(luò)分類
3.3神經(jīng)網(wǎng)絡(luò)回歸
實(shí)操內(nèi)容：
1.邏輯回歸的實(shí)現(xiàn)與初步應(yīng)用
2.KNN方法的實(shí)現(xiàn)與初步應(yīng)用
3.神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)
案例三：銅基合金催化劑因其良好的選擇性和過電位低等特點(diǎn)，在二氧化碳還原反應(yīng)（CO2RR）領(lǐng)域得到了廣泛的應(yīng)用。為了實(shí)現(xiàn)對CO2RR合金催化劑的高效探索，通過實(shí)施嚴(yán)格的特征選擇過程，將特征空間的維數(shù)從13維降至5維，ML模型成功快速預(yù)測了CO2RR過程中關(guān)鍵中間體（HCOO、CO和COOH）的吸附能。
第二天下午
項(xiàng)目實(shí)操：
1.基于少特征模型的機(jī)器學(xué)習(xí)預(yù)測二氧化碳還原電催化劑
2.基于文本數(shù)據(jù)信息預(yù)測甲醇轉(zhuǎn)化率
這兩個實(shí)操項(xiàng)目同時穿插講解如下內(nèi)容
A1 機(jī)器學(xué)習(xí)材料與化學(xué)應(yīng)用的典型步驟
A1.1 數(shù)據(jù)采集和清洗
A1.2 特征選擇和模型選擇
A1.3 模型訓(xùn)練和測試
A1.4 模型性能評估和優(yōu)化
案例四：結(jié)構(gòu)化材料合成路線對于化學(xué)家進(jìn)行實(shí)驗(yàn)和現(xiàn)代應(yīng)用（如機(jī)器學(xué)習(xí)材料設(shè)計(jì)）至關(guān)重要。近年來，化學(xué)文獻(xiàn)呈指數(shù)級增長，人工提取已發(fā)表文獻(xiàn)耗時耗力。本研究的重點(diǎn)是開發(fā)一種從化學(xué)文獻(xiàn)中提取pd基催化劑合成路線的自動化方法。并利用合成路線的結(jié)構(gòu)化數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型并預(yù)測甲烷轉(zhuǎn)化率的性能。
第三天上午
理論內(nèi)容：
1．決策樹
1.1決策樹的原理
1.2決策樹分類
2． 集成學(xué)習(xí)方法
2.1集成學(xué)習(xí)原理
2.2隨機(jī)森林
2.3Bosting方法
3.樸素貝葉斯概率
3.1原理解析
3.2 模型應(yīng)用
4. 支持向量機(jī)
4.1分類原理
4.2核函數(shù)
實(shí)操內(nèi)容
1.決策樹的實(shí)現(xiàn)和應(yīng)用
2.隨機(jī)森林的實(shí)現(xiàn)和應(yīng)用
3.樸素貝葉斯的實(shí)現(xiàn)和應(yīng)用
4.支持向量機(jī)的實(shí)現(xiàn)和應(yīng)用
案例五：集成學(xué)習(xí)通過多層模型組合與融合，在提升模型性能方面極具優(yōu)勢。在數(shù)據(jù)挖掘中，面對海量且復(fù)雜的數(shù)據(jù)，單一模型往往難以全面捕捉數(shù)據(jù)特征。集成學(xué)習(xí)將弱學(xué)習(xí)器的性能結(jié)合，先由各基礎(chǔ)模型從不同角度挖掘數(shù)據(jù)，再通過加權(quán)等方式融合結(jié)果，能更全面地剖析機(jī)器學(xué)習(xí)結(jié)果。
第三天下午
項(xiàng)目實(shí)操
1.機(jī)器學(xué)習(xí)加速設(shè)計(jì)ORR和OER雙功能電催化劑
2.二元合金中雙官能團(tuán)氧電催化劑的有效機(jī)器學(xué)習(xí)模型設(shè)計(jì)
3.SHAP機(jī)器學(xué)習(xí)可解釋性分析
這兩個實(shí)操項(xiàng)目同時穿插講解如下內(nèi)容
A1 模型性能的評估方法
A1.1 交叉驗(yàn)證：評估估計(jì)器的性能
A1.2 分類性能評估
A1.3 回歸性能評估
案例六：氧還原反應(yīng)（ORR）和析氧反應(yīng)（OER）是清潔能源轉(zhuǎn)化的關(guān)鍵。近年來，雙金屬位催化劑（DMSCs）因其原子利用率高、穩(wěn)定性強(qiáng)、催化性能好而受到廣泛關(guān)注。本研究采用密度泛函理論（DFT）和機(jī)器學(xué)習(xí)（ML）相結(jié)合的先進(jìn)方法，研究吸附物在數(shù)百種潛在催化劑上的吸附自由能，來篩選對ORR和OER具有高活性的催化劑。
第四天上午
理論內(nèi)容：
1. 無監(jiān)督學(xué)習(xí)
2.1 什么是無監(jiān)督學(xué)習(xí)
2.2 無監(jiān)督算法——聚類
2.3 無監(jiān)督算法——降維
2. 材料與化學(xué)數(shù)據(jù)的特征工程
2.1分子結(jié)構(gòu)表示
2.2 獨(dú)熱編碼
實(shí)操內(nèi)容：
鳶尾花數(shù)據(jù)集用于聚類實(shí)現(xiàn)和應(yīng)用
T-SNE實(shí)現(xiàn)和應(yīng)用
PCA的實(shí)現(xiàn)和應(yīng)用
層次聚類的實(shí)現(xiàn)和應(yīng)用
K-means聚類的實(shí)現(xiàn)和應(yīng)用
案例七：無監(jiān)督學(xué)習(xí)是從無標(biāo)簽數(shù)據(jù)中挖掘模式與結(jié)構(gòu)，t-SNE作為其重要降維工具，專注于保留高維數(shù)據(jù)點(diǎn)間局部結(jié)構(gòu)。課程將深入講解t-SNE核心原理，如通過概率分布衡量點(diǎn)間相似性，以優(yōu)化KL散度實(shí)現(xiàn)降維，展示其在高維數(shù)據(jù)可視化中的強(qiáng)大作用。還會進(jìn)行代碼實(shí)操，涵蓋數(shù)據(jù)加載、參數(shù)調(diào)優(yōu)、降維及可視化等環(huán)節(jié)，讓學(xué)員熟練掌握t-SNE在不同場景的應(yīng)用，助力探索數(shù)據(jù)潛在結(jié)構(gòu)與模式。
第四天下午
項(xiàng)目實(shí)操
理論內(nèi)容：
1.深度學(xué)習(xí)理論基礎(chǔ)
2.DNN、RNN、CNN、LSTM及Transformer基礎(chǔ)框架介紹
實(shí)操內(nèi)容
1. torch基礎(chǔ)練習(xí)
2. 應(yīng)用RNN、CNN、LSTM模型篩選光催化劑
案例八：近年來，結(jié)合高通量（HT）和機(jī)器學(xué)習(xí)（ML）的策略以加速有前途的新材料的發(fā)現(xiàn)已經(jīng)引起了人們的極大關(guān)注。因此，可以設(shè)計(jì)一種直觀的方法，通過數(shù)據(jù)庫并結(jié)合深度學(xué)習(xí)模型，并將它們與HT方法耦合，以尋找高效的2D水分解光催化劑。
第五天上午
理論內(nèi)容：
1.圖深度學(xué)習(xí)理論基礎(chǔ)
2.圖深度學(xué)習(xí)應(yīng)用實(shí)例OC20、OC22電催化劑開發(fā)挑戰(zhàn)（ACS Catalysis）
實(shí)操內(nèi)容：
1. 圖結(jié)構(gòu)構(gòu)建及可視化
2. PyTorch Geometric基礎(chǔ)介紹
案例九：近年來，在晶體性能預(yù)測領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）模型取得了長足的發(fā)展。GNN模型可以有效地從晶體結(jié)構(gòu)中捕捉高維晶體特征，從而在性能預(yù)測中獲得最佳性能。指導(dǎo)學(xué)員搭建圖深度學(xué)習(xí)開發(fā)環(huán)境，以順利構(gòu)建圖結(jié)構(gòu)，并進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練。
第五天下午
項(xiàng)目實(shí)操
1.圖神經(jīng)網(wǎng)絡(luò)模型基本概述及CGCNN代碼深度解讀應(yīng)用
2.基于圖論構(gòu)建反應(yīng)網(wǎng)絡(luò)用于NO電還原反應(yīng)研究
3.Transformer輔助水氧化制備過氧化氫(WOR)及可解釋分析
案例十：氮氧化物排放嚴(yán)重影響我們的環(huán)境和人類健康。光催化脫硝（deNOx）因其低成本、無污染而備受關(guān)注，但實(shí)際生產(chǎn)中產(chǎn)生的是不需要的亞硝酸鹽和硝酸鹽，而不是無害的氮?dú)狻＝沂净钚晕稽c(diǎn)和光催化機(jī)理對改進(jìn)工藝具有重要意義。本次課程以指導(dǎo)學(xué)員依據(jù)反應(yīng)中間體，建立圖反應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)以揭示反應(yīng)機(jī)理。
專題四：機(jī)器學(xué)習(xí)鋰離子電池
上下滑動查看完整內(nèi)容
第一天上午：鋰離子電池與機(jī)器學(xué)習(xí)基礎(chǔ)
鋰離子電池與機(jī)器學(xué)習(xí)背景：了解鋰離子電池的基本原理、發(fā)展歷程、應(yīng)用領(lǐng)域以及當(dāng)前面臨的挑戰(zhàn)；介紹機(jī)器學(xué)習(xí)的定義、發(fā)展歷程、主要應(yīng)用領(lǐng)域以及與鋰離子電池研究的結(jié)合點(diǎn)，探討機(jī)器學(xué)習(xí)如何助力鋰離子電池性能提升和新材料研發(fā)。
Python基礎(chǔ)語法、函數(shù)、模塊和包、面向?qū)ο缶幊?/p>
機(jī)器學(xué)習(xí)庫介紹：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn
第一天下午：監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)入門
監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)
K-近鄰、支持向量機(jī)、決策樹、線性回歸、邏輯回歸
實(shí)戰(zhàn)一：使用機(jī)器學(xué)習(xí)預(yù)測鋰離子電池性能：特征工程描述包括電池的充放電循環(huán)數(shù)據(jù)、溫度、電流、電壓、電池的制造參數(shù)、材料特性等，選擇不同的機(jī)器學(xué)習(xí)模型，例如決策樹、隨機(jī)森林、支持向量機(jī)，最后進(jìn)行性能評估。
第二天上午：聚類分析與集成學(xué)習(xí)
K-均值聚類、層次聚類、PCA、t-SNE
集成學(xué)習(xí)：隨機(jī)森林、Boosting
交叉驗(yàn)證、性能指標(biāo)、模型評估與選擇、網(wǎng)格搜索
實(shí)戰(zhàn)二：特征選擇與聚類算法選擇：根據(jù)鋰離子電池的性能特征（如容量、能量密度、內(nèi)阻、循環(huán)穩(wěn)定性等），選擇合適的聚類算法（如K-均值聚類、層次聚類等），通過特征工程對數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)轉(zhuǎn)換為適合聚類分析的格式。
聚類結(jié)果分析與降維驗(yàn)證：對聚類結(jié)果進(jìn)行分析，觀察不同聚類類別中電池的性能特點(diǎn)和分布規(guī)律，通過降維技術(shù)（如PCA、t-SNE）對聚類結(jié)果進(jìn)行可視化驗(yàn)證，判斷聚類結(jié)果的有效性和合理性，為鋰離子電池的性能分類和優(yōu)化提供依據(jù)。
第二天下午：神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與深度學(xué)習(xí)技術(shù)
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、激活函數(shù)、損失函數(shù)、梯度下降與反向傳播
Pytorch構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)
深度學(xué)習(xí)中的正則化技術(shù)：L1、L2、Dropout
優(yōu)化算法：SGD、Adam、RMSprop
超參數(shù)調(diào)優(yōu)：網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化
實(shí)戰(zhàn)三：基于深度學(xué)習(xí)的高熵材料的虛擬高通量篩選： 收集和整理用于訓(xùn)練的數(shù)據(jù)集，包括高熵材料的化學(xué)組成、晶體結(jié)構(gòu)、物理化學(xué)性質(zhì)等，使用準(zhǔn)備好的數(shù)據(jù)集對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，并采用交叉驗(yàn)證等方法來評估模型的泛化能力。
第三天上午：高級深度學(xué)習(xí)架構(gòu)與應(yīng)用
循環(huán)神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)
圖神經(jīng)網(wǎng)絡(luò)
注意力機(jī)制
Transformer架構(gòu)
生成對抗網(wǎng)絡(luò)
變分自編碼器
實(shí)戰(zhàn)四：基于圖神經(jīng)網(wǎng)絡(luò)的鋰離子電池性能預(yù)測：構(gòu)建圖神經(jīng)網(wǎng)絡(luò)模型，選擇合適的架構(gòu)，如GCN、GAT等，來學(xué)習(xí)材料圖特征節(jié)點(diǎn)和邊的表示，用于預(yù)測鋰離子電池性能。
第三天下午：鋰離子電池材料的機(jī)器學(xué)習(xí)應(yīng)用
鋰離子正極材料的特征工程
實(shí)戰(zhàn)五：基于機(jī)器學(xué)習(xí)的鋰金屬正極材料的穩(wěn)定性預(yù)測：選擇合適的機(jī)器學(xué)習(xí)模型，如支持向量機(jī)、隨機(jī)森林、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，使用適當(dāng)?shù)脑u估指標(biāo)，如準(zhǔn)確率、召回率、F1分?jǐn)?shù)等，來衡量模型預(yù)測鋰金屬正極材料穩(wěn)定性的性能。
實(shí)戰(zhàn)六：
數(shù)據(jù)驅(qū)動能源材料設(shè)計(jì)：鋰硫電池催化劑案例研究： 從文獻(xiàn)中構(gòu)建結(jié)構(gòu)化數(shù)據(jù)庫，分析鋰硫電池的工作機(jī)制、硫還原反應(yīng)（SRR）動力學(xué)及催化劑設(shè)計(jì)原理，構(gòu)建從元素性質(zhì)到結(jié)構(gòu)描述符的特征工程，應(yīng)用機(jī)器學(xué)習(xí)（隨機(jī)森林、集成學(xué)習(xí)、SISSO）預(yù)測材料吸附性能
第四天上午：機(jī)器學(xué)習(xí)與多尺度模擬的結(jié)合
基于鋰離子電池的機(jī)器學(xué)習(xí)與多尺度模擬
機(jī)器學(xué)習(xí)、分子動力學(xué)模擬與第一性原理計(jì)算
機(jī)器學(xué)習(xí)與實(shí)驗(yàn)結(jié)合
實(shí)戰(zhàn)七：介紹Materials Project數(shù)據(jù)庫的基本情況和功能，說明如何從該數(shù)據(jù)庫中提取與鋰離子電池相關(guān)的電數(shù)據(jù)，包括材料的晶體結(jié)構(gòu)、電子結(jié)構(gòu)、電化學(xué)性能等信息。
從Materials Project數(shù)據(jù)庫中提取電池電數(shù)據(jù)，利用深度學(xué)習(xí)技術(shù)來預(yù)測多價金屬離子電池的電極電壓，并開發(fā)了一個可解釋的深度學(xué)習(xí)模型，以加速多價金屬離子電池材料的設(shè)計(jì)和優(yōu)化。
實(shí)戰(zhàn)八：收集液態(tài)電解質(zhì)添加劑電池系統(tǒng)中的性能數(shù)據(jù)，包括最終面積比阻抗、阻抗增量和比容量，基于分子結(jié)構(gòu)信息，生成特征向量，通過數(shù)據(jù)收集、特征工程、模型訓(xùn)練與驗(yàn)證等機(jī)器學(xué)習(xí)流程，成功預(yù)測出最佳液態(tài)電解質(zhì)添加劑組合。
第四天下午：機(jī)器學(xué)習(xí)在電池管理系統(tǒng)中的應(yīng)用
機(jī)器學(xué)習(xí)在電池管理系統(tǒng)中的應(yīng)用介紹
電池管理系統(tǒng)（BMS）的功能與組成
電池充放電管理
電池安全與保護(hù)
電池健康狀態(tài)的指標(biāo)
電池老化分析
實(shí)戰(zhàn)九：探討如何將物理模型（如電池的電化學(xué)模型、熱模型等）與機(jī)器學(xué)習(xí)模型相結(jié)合，利用物理模型的先驗(yàn)知識和機(jī)器學(xué)習(xí)模型的數(shù)據(jù)驅(qū)動能力，提高對電池狀態(tài)的預(yù)測精度和可靠性，例如通過物理模型提供電池狀態(tài)的初始估計(jì)，再利用機(jī)器學(xué)習(xí)模型對實(shí)際數(shù)據(jù)進(jìn)行擬合和修正，實(shí)現(xiàn)對電池長期性能和壽命的準(zhǔn)確預(yù)測。
第五天上午：機(jī)器學(xué)習(xí)在電池壽命預(yù)測中的應(yīng)用
實(shí)戰(zhàn)十：收集鋰離子電池在不同充放電條件下的運(yùn)行數(shù)據(jù)，包括電壓、電流、溫度、充放電時間等，這些數(shù)據(jù)是SOC和SOH估計(jì)的基礎(chǔ)，通過數(shù)據(jù)預(yù)處理、特征提取等步驟，將數(shù)據(jù)轉(zhuǎn)換為適合機(jī)器學(xué)習(xí)模型輸入的格式，提高模型的估計(jì)精度。
選擇合適的機(jī)器學(xué)習(xí)模型（如線性回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等），根據(jù)處理后的數(shù)據(jù)對模型進(jìn)行訓(xùn)練，通過交叉驗(yàn)證等方法對模型的準(zhǔn)確性和泛化能力進(jìn)行評估，選擇最優(yōu)的模型用于鋰離子電池的SOC和SOH實(shí)時估計(jì)，通過實(shí)例代碼展示模型訓(xùn)練和評估的過程，分析模型的性能指標(biāo)和估計(jì)結(jié)果。
將訓(xùn)練好的機(jī)器學(xué)習(xí)模型集成到BMS中，實(shí)現(xiàn)對鋰離子電池SOC和SOH的實(shí)時估計(jì)，通過實(shí)時監(jiān)測電池的狀態(tài)參數(shù)，利用模型進(jìn)行快速準(zhǔn)確的估計(jì)，為電池的充放電管理、安全保護(hù)和健康狀態(tài)評估提供實(shí)時數(shù)據(jù)支持，提高BMS的智能化水平和電池的使用效率。
第五天下午
實(shí)戰(zhàn)十一：基于大語言模型（LLM）的文獻(xiàn)v數(shù)據(jù)自動化提取與應(yīng)用。重點(diǎn)講解如何利用大語言模型（LLM）與檢索增強(qiáng)生成（RAG）技術(shù)，構(gòu)建自動化信息提取框架，解決科學(xué)數(shù)據(jù)提取耗時耗力的瓶頸。從電池文獻(xiàn)中自動提取關(guān)鍵參數(shù)（如材料成分、晶體結(jié)構(gòu)、工作電壓等），構(gòu)建小型材料數(shù)據(jù)庫。
實(shí)例十二：基于大語言模型搭建電池健康狀態(tài)（SOH）智能預(yù)測系統(tǒng)。利用大語言模型自動化機(jī)器學(xué)習(xí)算法的實(shí)施與優(yōu)化，以實(shí)現(xiàn)對鋰電池健康狀態(tài)（SOH）的智能預(yù)測，通過結(jié)構(gòu)化的提示工程（Prompt Engineering）引導(dǎo)LLM完成自動化機(jī)器學(xué)習(xí)預(yù)測過程。基于公開電池?cái)?shù)據(jù)集對比LLM驅(qū)動的模型與傳統(tǒng)方法的性能差異。
專題五：機(jī)器學(xué)習(xí)固態(tài)電池
上下滑動查看完整內(nèi)容
第一天：固態(tài)電池基礎(chǔ)與計(jì)算模擬實(shí)踐
上午：固態(tài)電池基礎(chǔ)與機(jī)器學(xué)習(xí)應(yīng)用概覽
1.1 固態(tài)電池核心知識
基本構(gòu)成：正極、負(fù)極、固態(tài)電解質(zhì)、界面。
固態(tài)電解質(zhì)分類（聚合物、氧化物、硫化物）與關(guān)鍵性能指標(biāo)。
核心挑戰(zhàn)：界面穩(wěn)定性、離子電導(dǎo)率、循環(huán)壽命。
案例：商業(yè)化固態(tài)電池實(shí)例與性能瓶頸。
1.2 機(jī)器學(xué)習(xí)在固態(tài)電池研發(fā)中的作用
傳統(tǒng)研發(fā)流程vs. 機(jī)器學(xué)習(xí)加速研發(fā)流程。
機(jī)器學(xué)習(xí)在固態(tài)電池領(lǐng)域的典型應(yīng)用場景。
成功案例：機(jī)器學(xué)習(xí)發(fā)現(xiàn)新型電解質(zhì)材料、預(yù)測界面穩(wěn)定性。
1.3 軟件環(huán)境配置與驗(yàn)證
實(shí)操： Python環(huán)境配置（Anaconda, Jupyter Notebook）。
實(shí)操：安裝并測試關(guān)鍵庫（Numpy, Pandas, Scikit-learn, Pymatgen, ASE, Matplotlib）。
實(shí)操： VASP/LAMMPS環(huán)境檢查與示例運(yùn)行。
實(shí)操： 下載課程數(shù)據(jù)集與示例代碼。
下午：DFT與MD計(jì)算實(shí)踐
1.4 DFT計(jì)算固態(tài)電解質(zhì)性質(zhì)
快速回顧：DFT基本原理。
實(shí)操： VASP輸入文件結(jié)構(gòu)解析（INCAR, POSCAR, KPOINTS, POTCAR）。
實(shí)操： 運(yùn)行VASP計(jì)算LLZO固態(tài)電解質(zhì)的晶格常數(shù)和形成能。
實(shí)操： 使用Pymatgen/ASE讀取VASP輸出文件（OUTCAR, vasprun.xml）。
實(shí)操： 使用VESTA可視化晶體結(jié)構(gòu)和電荷密度。
練習(xí)：計(jì)算不同固態(tài)電解質(zhì)材料的形成能并比較。
1.5 MD模擬離子擴(kuò)散行為
快速回顧：MD基本原理。
實(shí)操： LAMMPS輸入文件結(jié)構(gòu)解析（數(shù)據(jù)文件、勢函數(shù)、模擬參數(shù)）。
實(shí)操： 運(yùn)行LAMMPS模擬LLZO中Li離子的擴(kuò)散。
實(shí)操： 使用Python分析MD軌跡：計(jì)算均方位移（MSD）和擴(kuò)散系數(shù)。
實(shí)操： 使用VMD/Ovito可視化離子擴(kuò)散軌跡。
練習(xí)：改變溫度參數(shù)，觀察對離子擴(kuò)散系數(shù)的影響。
第二天：Python數(shù)據(jù)處理與特征工程實(shí)戰(zhàn)
上午：Python科學(xué)計(jì)算與數(shù)據(jù)處理
2.1 2.1 Numpy與Pandas實(shí)戰(zhàn)
快速回顧：Numpy數(shù)組操作基礎(chǔ)。
實(shí)操： 使用Numpy處理DFT計(jì)算的能量數(shù)據(jù)（數(shù)組創(chuàng)建、索引、運(yùn)算）。
實(shí)操： 使用Pandas讀取固態(tài)電解質(zhì)性能數(shù)據(jù)集（CSV/Excel）。
實(shí)操： 數(shù)據(jù)清洗：處理缺失值、異常值、重復(fù)值。
實(shí)操： 數(shù)據(jù)篩選、分組、統(tǒng)計(jì)分析（groupby, describe）。
練習(xí)：分析不同類型固態(tài)電解質(zhì)的離子電導(dǎo)率分布。
2.2 數(shù)據(jù)可視化實(shí)戰(zhàn)
實(shí)操： Matplotlib繪制散點(diǎn)圖、折線圖、柱狀圖。
實(shí)操： Seaborn繪制相關(guān)性熱力圖、分布圖、箱線圖。
實(shí)操： 可視化固態(tài)電解質(zhì)性能數(shù)據(jù)：離子電導(dǎo)率vs. 溫度、成分。
實(shí)操： 多子圖布局與圖表美化。
練習(xí)：創(chuàng)建固態(tài)電池材料性能對比圖表。
2.3 機(jī)器學(xué)習(xí)基礎(chǔ)概念
監(jiān)督學(xué)習(xí)vs. 無監(jiān)督學(xué)習(xí)：回歸、分類、聚類。
訓(xùn)練集、驗(yàn)證集、測試集劃分。
模型評估指標(biāo)：R2, MAE, MSE, RMSE, 準(zhǔn)確率, F1-score。
過擬合與欠擬合：如何識別與避免。
下午：固態(tài)電池特征工程實(shí)戰(zhàn)
2.4 材料結(jié)構(gòu)信息提取
快速回顧：為什么需要特征描述符？
實(shí)操： 使用Pymatgen從CIF文件讀取晶體結(jié)構(gòu)。
實(shí)操： 提取基本結(jié)構(gòu)信息：晶格參數(shù)、空間群、密度、體積。
實(shí)操： 使用ASE從POSCAR文件讀取結(jié)構(gòu)并進(jìn)行操作。
實(shí)操： 計(jì)算元素組成特征：元素比例、平均原子質(zhì)量。
練習(xí)：批量處理多個固態(tài)電解質(zhì)結(jié)構(gòu)文件并提取特征。
2.5 元素與化學(xué)特征構(gòu)建
實(shí)操： 使用Pymatgen獲取元素屬性（電負(fù)性、原子半徑、價態(tài)）。
實(shí)操： 構(gòu)建組成特征：加權(quán)平均、標(biāo)準(zhǔn)差、最大值、最小值。
實(shí)操： 構(gòu)建化學(xué)式特征：氧化態(tài)、配位數(shù)。
實(shí)操 ：使用Matminer自動生成材料特征（composition-based features）。
練習(xí)：為給定的固態(tài)電解質(zhì)材料構(gòu)建完整的特征向量。
2.6 從DFT結(jié)果提取特征
實(shí)操： 使用Pymatgen從vasprun.xml提取能量、應(yīng)力、力。
實(shí)操： 提取電子結(jié)構(gòu)信息：帶隙、態(tài)密度、費(fèi)米能級。
實(shí)操： 構(gòu)建DFT衍生特征：形成能、分解能、電化學(xué)窗口。
練習(xí)：整合結(jié)構(gòu)特征和DFT特征，構(gòu)建機(jī)器學(xué)習(xí)數(shù)據(jù)集。
第三天：機(jī)器學(xué)習(xí)模型構(gòu)建與性能預(yù)測實(shí)戰(zhàn)
上午：傳統(tǒng)機(jī)器學(xué)習(xí)模型實(shí)戰(zhàn)
3.1 回歸模型預(yù)測離子電導(dǎo)率
任務(wù)說明：基于固態(tài)電解質(zhì)特征預(yù)測離子電導(dǎo)率。
實(shí)操： 加載并探索數(shù)據(jù)集（數(shù)據(jù)分布、相關(guān)性分析）。
實(shí)操： 數(shù)據(jù)預(yù)處理：特征標(biāo)準(zhǔn)化/歸一化（StandardScaler, MinMaxScaler）。
實(shí)操： 劃分訓(xùn)練集、驗(yàn)證集、測試集。
實(shí)操： 使用Scikit-learn構(gòu)建線性回歸模型并訓(xùn)練。
實(shí)操： 使用隨機(jī)森林回歸模型并對比性能。
實(shí)操： 模型評估：計(jì)算MAE, MSE, RMSE, R2。
實(shí)操： 可視化預(yù)測結(jié)果：真實(shí)值vs. 預(yù)測值散點(diǎn)圖、殘差圖。
實(shí)操： 特征重要性分析：哪些特征對離子電導(dǎo)率影響最大？
練習(xí)：嘗試支持向量機(jī)回歸（SVR）并比較三種模型性能。
3.2 分類模型預(yù)測界面穩(wěn)定性
任務(wù)說明：預(yù)測電極/電解質(zhì)界面是否穩(wěn)定（10分鐘）。
實(shí)操： 加載界面穩(wěn)定性數(shù)據(jù)集（標(biāo)簽：穩(wěn)定/不穩(wěn)定）。
實(shí)操： 數(shù)據(jù)預(yù)處理與類別分布檢查。
實(shí)操： 使用Scikit-learn構(gòu)建邏輯回歸分類模型。
實(shí)操： 使用隨機(jī)森林分類模型并對比。
實(shí)操： 模型評估：準(zhǔn)確率、精確率、召回率、F1-score。
實(shí)操： 繪制混淆矩陣和ROC曲線。
實(shí)操： 處理類別不平衡：SMOTE過采樣技術(shù)。
練習(xí)：嘗試決策樹和梯度提升模型（XGBoost）。
下午：深度學(xué)習(xí)模型實(shí)戰(zhàn)
3.3 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與PyTorch/TensorFlow入門
快速回顧：神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)。
實(shí)操： PyTorch/TensorFlow張量操作基礎(chǔ)。
實(shí)操： 構(gòu)建簡單的全連接神經(jīng)網(wǎng)絡(luò)（定義層、激活函數(shù)）。
實(shí)操： 定義損失函數(shù)（MSE, CrossEntropy）和優(yōu)化器（Adam, SGD）。
實(shí)操： 訓(xùn)練循環(huán)：前向傳播、反向傳播、參數(shù)更新。
實(shí)操： 可視化訓(xùn)練過程：損失曲線、準(zhǔn)確率曲線。
3.4 深度學(xué)習(xí)預(yù)測固態(tài)電池性能
任務(wù)：使用多層感知機(jī)（MLP）預(yù)測固態(tài)電池循環(huán)壽命。
實(shí)操： 數(shù)據(jù)準(zhǔn)備：加載數(shù)據(jù)并轉(zhuǎn)換為PyTorch/TensorFlow格式。
實(shí)操： 設(shè)計(jì)MLP架構(gòu)：輸入層、隱藏層（2-3層）、輸出層。
實(shí)操： 訓(xùn)練模型并監(jiān)控驗(yàn)證集性能。
實(shí)操： 超參數(shù)調(diào)優(yōu)：學(xué)習(xí)率、批次大小、隱藏層神經(jīng)元數(shù)量。
實(shí)操： 使用早停（Early Stopping）防止過擬合。
實(shí)操： 模型評估與可視化預(yù)測結(jié)果。
練習(xí)：嘗試不同的網(wǎng)絡(luò)架構(gòu)和激活函數(shù)（ReLU, Tanh, LeakyReLU）。
3.5 模型對比與選擇
實(shí)操： 對比傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型的性能。
討論：何時使用傳統(tǒng)機(jī)器學(xué)習(xí)？何時使用深度學(xué)習(xí)？
實(shí)操： 模型保存與加載（joblib, pickle, PyTorch save/load）。
練習(xí)：為自己的固態(tài)電池?cái)?shù)據(jù)選擇最佳模型。
第四天：材料數(shù)據(jù)庫應(yīng)用與高通量篩選實(shí)戰(zhàn)
上午：Material Project數(shù)據(jù)庫與Matminer實(shí)戰(zhàn)
4.1 Material Project數(shù)據(jù)庫應(yīng)用
快速介紹：Material Project數(shù)據(jù)庫的價值與應(yīng)用。
實(shí)操： 注冊并獲取MP API密鑰。
實(shí)操： 使用MP API查詢固態(tài)電解質(zhì)材料（按化學(xué)式、空間群）。
實(shí)操： 提取材料的結(jié)構(gòu)、能量、帶隙、形成能等信息。
實(shí)操： 批量下載特定類型材料的數(shù)據(jù)（如含Li的氧化物）。
實(shí)操： 將MP數(shù)據(jù)轉(zhuǎn)換為Pandas DataFrame格式。
練習(xí)：查詢并下載所有LLZO類固態(tài)電解質(zhì)的數(shù)據(jù)。
4.2 Matminer特征生成實(shí)戰(zhàn)
實(shí)操： Matminer庫介紹與安裝驗(yàn)證。
實(shí)操： 使用Matminer從化學(xué)式生成組成特征（ElementProperty）。
實(shí)操： 使用Matminer從結(jié)構(gòu)生成結(jié)構(gòu)特征（SiteStatsFingerprint, StructuralHeterogeneity）。
實(shí)操： 使用Matminer生成電子結(jié)構(gòu)特征（BandCenter, Cohesive Energy）。
實(shí)操： 批量為MP數(shù)據(jù)集生成特征矩陣。
實(shí)操： 特征選擇：去除低方差特征、相關(guān)性分析。
練習(xí)：為下載的固態(tài)電解質(zhì)數(shù)據(jù)生成完整的特征集。
下午：機(jī)器學(xué)習(xí)加速材料篩選實(shí)戰(zhàn)
4.3 高通量篩選固態(tài)電解質(zhì)
任務(wù)：從MP數(shù)據(jù)庫中篩選高性能固態(tài)電解質(zhì)候選材料。
實(shí)操： 定義篩選標(biāo)準(zhǔn)（高離子電導(dǎo)率、寬電化學(xué)窗口、低成本）。
實(shí)操： 使用前面訓(xùn)練的機(jī)器學(xué)習(xí)模型預(yù)測MP數(shù)據(jù)庫材料的性能。
實(shí)操： 根據(jù)預(yù)測結(jié)果篩選候選材料（Top 50）。
實(shí)操： 可視化篩選結(jié)果：性能分布、成分分布。
實(shí)操： 對候選材料進(jìn)行排序和優(yōu)先級評估。
實(shí)操： 導(dǎo)出候選材料列表及其結(jié)構(gòu)文件（CIF）。
練習(xí)：調(diào)整篩選標(biāo)準(zhǔn)，探索不同的候選材料集。
4.4 界面穩(wěn)定性預(yù)測與組合篩選
快速回顧：界面反應(yīng)機(jī)制與影響因素（10分鐘）。
實(shí)操： 構(gòu)建電極-電解質(zhì)界面特征描述符。
實(shí)操： 使用機(jī)器學(xué)習(xí)模型預(yù)測界面形成能。
任務(wù)：發(fā)現(xiàn)穩(wěn)定的電極-電解質(zhì)界面組合。
實(shí)操： 構(gòu)造電極-電解質(zhì)組合矩陣（如10種電極 × 20種電解質(zhì)）。
實(shí)操： 批量預(yù)測所有組合的界面穩(wěn)定性。
實(shí)操： 篩選穩(wěn)定界面組合（Top 20）。
實(shí)操： 可視化界面穩(wěn)定性矩陣（熱力圖）。
實(shí)操： 案例分析：選擇一個穩(wěn)定組合，分析其結(jié)構(gòu)和化學(xué)特性。
練習(xí)：結(jié)合DFT驗(yàn)證篩選出的界面組合。
第五天：神經(jīng)網(wǎng)絡(luò)勢函數(shù)與多尺度模擬實(shí)戰(zhàn)
上午：機(jī)器學(xué)習(xí)勢函數(shù)實(shí)戰(zhàn)
5.1 神經(jīng)網(wǎng)絡(luò)勢函數(shù)基礎(chǔ)
快速回顧：傳統(tǒng)勢函數(shù)的局限性（10分鐘）。
神經(jīng)網(wǎng)絡(luò)勢函數(shù)（NNP）的基本原理與優(yōu)勢。
Deepmd-kit與MACE工具介紹。
NNP在固態(tài)電池研究中的應(yīng)用案例。
5.2 Deepmd-kit訓(xùn)練數(shù)據(jù)準(zhǔn)備
實(shí)操： 理解NNP訓(xùn)練數(shù)據(jù)格式（能量、力、應(yīng)力、坐標(biāo)）。
實(shí)操： 從VASP DFT計(jì)算結(jié)果提取訓(xùn)練數(shù)據(jù)。
實(shí)操： 使用dpdata庫轉(zhuǎn)換VASP輸出為Deepmd-kit格式。
實(shí)操 ：數(shù)據(jù)集劃分：訓(xùn)練集、驗(yàn)證集、測試集。
實(shí)操： 數(shù)據(jù)集質(zhì)量檢查：能量分布、力分布、結(jié)構(gòu)多樣性。
練習(xí)：為LLZO固態(tài)電解質(zhì)準(zhǔn)備完整的訓(xùn)練數(shù)據(jù)集。
5.3 Deepmd-kit模型訓(xùn)練
實(shí)操： 理解Deepmd-kit配置文件結(jié)構(gòu)（input.json）。
實(shí)操： 設(shè)置模型參數(shù)：網(wǎng)絡(luò)架構(gòu)、訓(xùn)練參數(shù)、截?cái)喟霃健?/p>
實(shí)操： 啟動模型訓(xùn)練并監(jiān)控訓(xùn)練過程。
實(shí)操： 評估模型準(zhǔn)確性：能量誤差、力誤差與DFT對比。
實(shí)操： 模型優(yōu)化：調(diào)整超參數(shù)提高精度。
練習(xí)：訓(xùn)練不同配置的NNP模型并比較性能。
下午：NNP加速M(fèi)D模擬與綜合應(yīng)用
5.4 基于NNP的大規(guī)模MD模擬
實(shí)操： 將訓(xùn)練好的Deepmd-kit模型集成到LAMMPS。
實(shí)操： 設(shè)置基于NNP的LAMMPS輸入文件。
實(shí)操： 運(yùn)行大規(guī)模MD模擬（更大體系、更長時間）。
實(shí)操： 分析MD模擬結(jié)果：離子擴(kuò)散系數(shù)、徑向分布函數(shù)。
實(shí)操： 可視化離子擴(kuò)散軌跡和結(jié)構(gòu)演化。
實(shí)操： 對比傳統(tǒng)勢函數(shù)MD與NNP-MD的結(jié)果差異。
練習(xí)：使用NNP-MD研究不同溫度下的離子輸運(yùn)行為。
5.5 多尺度研究策略綜合實(shí)踐
案例：完整的固態(tài)電池材料研發(fā)流程演示。
實(shí)操： DFT計(jì)算 → 特征提取 → 機(jī)器學(xué)習(xí)預(yù)測 → 高通量篩選。
實(shí)操： NNP訓(xùn)練 → 大規(guī)模MD模擬 → 性能評估。
實(shí)操： 整合多種方法的結(jié)果，形成材料設(shè)計(jì)建議。
討論：如何將計(jì)算預(yù)測結(jié)果與實(shí)驗(yàn)驗(yàn)證結(jié)合。
5.6 課程總結(jié)與未來展望
回顧：五天課程核心內(nèi)容與技能總結(jié)。
固態(tài)電池材料研發(fā)的前沿趨勢：
自動化工作流（AiiDA, FireWorks）。
主動學(xué)習(xí)（Active Learning）加速材料發(fā)現(xiàn)。
AI驅(qū)動的實(shí)驗(yàn)設(shè)計(jì)與機(jī)器人實(shí)驗(yàn)室。
大語言模型在材料科學(xué)中的應(yīng)用。
學(xué)員項(xiàng)目討論：如何將所學(xué)應(yīng)用到實(shí)際研究中。
Q&A與課程反饋。
01
往期學(xué)員反饋
02
課程模式
1、線上授課時間和地點(diǎn)自由，建立專業(yè)課程群進(jìn)行實(shí)時答疑解惑。
2、理論＋實(shí)操授課方式，由淺入深式講解，結(jié)合大量實(shí)戰(zhàn)案例與項(xiàng)目演練，聚焦人工智能技術(shù)在第一性原理、電池、催化劑領(lǐng)域的最新研究進(jìn)展。
3、課前發(fā)送全部學(xué)習(xí)資料（上課所有使用的軟件、包括豐富的PPT，大量的代碼數(shù)據(jù)集資源）課程提供全程答疑解惑。
4、定期更新的前沿案例，由淺入深式講解，課后提供無限次回放視頻，免費(fèi)贈送二次學(xué)習(xí)，永不解散的課程群答疑服務(wù)，可以與相同領(lǐng)域內(nèi)的老師同學(xué)互動交流問題，讓求知的路上不再孤單！
03
增值服務(wù)
1、凡參加人員將獲得本次課程學(xué)習(xí)資料及所有案例模型文件；
2、課程結(jié)束可獲得本次所學(xué)專題全部回放視頻；
3、課程會定期更新前沿內(nèi)容，參加本次課程的學(xué)員可免費(fèi)參加一次本單位后期舉辦的相同專題課程（任意一期）
課程時間
01
機(jī)器學(xué)習(xí)鋰離子電池
2026.04.18----2026.04.19（上午 9:00-11:30 下午 13:30-17:00）
2026.04.21----2026.04.22（晚上 19:00-22:00）
2026.04.25----2026.04.26（上午 9:00-11:30 下午 13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
02
機(jī)器學(xué)習(xí)固態(tài)電池
2026.04.04---2026.04.05（上午09:00-11:30下午13:30-17:00）
2026.04.06---2026.04.07（晚上19:00-22:00）
2026.04.11---2026.04.12（上午09:00-11:30下午13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
03
機(jī)器學(xué)習(xí)催化劑設(shè)計(jì)
2026.03.28----2026.03.29（上午 9:00-11:30 下午 13:30-17:00）
2026.04.01----2026.04.02（晚上 19:00-22:00）
2026.04.11----2026.04.12（上午 9:00-11:30 下午 13:30-17:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放和課程群答疑）
04
深度學(xué)習(xí)第一性原理
2026.04.20---2026.04.23（晚上19:00-22:00）
2026.04.25---2026.04.26（上午09:00-11:30下午13:30-17:00）
2026.04.28---2026.04.29（晚上19:00-22:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放和課程群答疑）
05
人工智能與MOF設(shè)計(jì)實(shí)戰(zhàn)
2026.04.18---2026.04.19（上午09.00-11.30下午13.30-17.00）
2026.04.25---2026.04.26（上午09:00-11:30下午13:30-17:00）
2026.04.27---2026.04.28（晚上19:00-22:00）
騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）
01
報名費(fèi)用
機(jī)器學(xué)習(xí)鋰離子電池，機(jī)器學(xué)習(xí)固態(tài)電池，機(jī)器學(xué)習(xí)催化劑設(shè)計(jì)，深度學(xué)習(xí)第一性原理，人工智能與MOF設(shè)計(jì)實(shí)戰(zhàn)
每人每班￥4980元（包含培訓(xùn)費(fèi)、資料費(fèi)、提供課后全程回放資料）
早鳥價：提前報名繳費(fèi)學(xué)員可得300元優(yōu)惠（僅限前15名）
套餐價：
報二贈一：報任意兩門直播專題贈送一門任選直播專題
兩門同報：同時報名兩門課程￥9080元
三門同報：同時報名三門課程￥12880元
四門同報：同時報名四門課程￥16880元（任選五門直播授課）
年報優(yōu)惠：可免費(fèi)學(xué)習(xí)一年特惠：18880元（可免費(fèi)學(xué)習(xí)一整年本單位舉辦的任意專題）
報名費(fèi)用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費(fèi)證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷
02
報名贈送往期視頻專題
報一贈一
報三贈五
回放一：
回放二：
回放三：
回放四：
回放五：
03
報名咨詢方式
報名流程：掃碼報名→管理員對接→發(fā)送正式培訓(xùn)（會議）邀請函→繳費(fèi)及開具發(fā)票。
聯(lián)系人：張老師
咨詢電話｜13141346157（微信同號）
郵箱 | 13141346157@qq.com
認(rèn)準(zhǔn)官方網(wǎng)址：http://www.dxianai.com
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
