轰动世界！电热光催化领域最新Nature!

本文是三个机器学习辅助材料设计专题培训课程的招生简章。背景方面，当前催化、锂离子电池和固态电解质研究面临高通量筛选耗时、传统试错法效率低等瓶颈，AI驱动的材料发现已成为新兴趋势。研究目的为通过系统化课程，帮助催化实验/理论研究者、高校师生及企业研发人员掌握将机器学习、深度学习（如随机森林、图神经网络、Transformer等）应用于材料筛选、性能预测和机理揭示的方法。全文总结了三个专题的核心内容：①机器学习催化剂设计专题涵盖从线性回归、符号回归到深度神经网络（DNN、CNN、LSTM、Transformer）和CGCNN图网络的催化剂筛选案例；②机器学习锂离子电池专题聚焦正极材料预测、电池健康状态估计及大语言模型（LLM）在电池数据中的应用；③机器学习固态电解质专题深入讲解从第一性原理计算、分子动力学数据提取、特征工程到传统机器学习及图神经网络模型（如CHGNet、MACE）的固体电解质筛选和离子电导率预测。结论强调，课程以“理论+代码实操+顶刊案例复现”为主线，旨在帮助学员将AI方法落地于自身研究，加速材料研发进程。