Nature重磅！寒门博士连发顶刊！催化材料领域取得重大科研进展！
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
前沿背景
近年来，机器学习(Machine Learning)、深度学习(Deep Learning)和人工智能(Artificial intelligence)已经普及，并且在各个研究领域被广泛使用。然而，人们对机器学习和深度学习算法的内部工作机制了解较少，认为它是“不透明的”，所以使用传统数据分析工具的研究人员对AI的方法仍然存疑。此外，在应用上，人们认为机器学习和深度学习主要擅长预测，其实它们也可以用于生态学模型，在数据分析方面具有极大潜力。深度学习（DL）是机器学习（ML）的子集，它从生物大脑中汲取灵感，使用多层神经网络来解决ML任务。深度学习被认为是机器学习的一部分，而机器学习则包含在人工智能这个总括术语中。机器学习和深度学习算法复杂性较高，需要有一定的算法背景知识才比较容易理解其内部工作原理，所以理解算法内部原理对于非专业研究人员是相当困难的。
机器学习在材料科学领域的应用在过去十年中快速增长。这种增长表现为每年论文数量以大约1.67倍的速度增长，使得机器学习在材料研究中从一个小的细分领域发展成为材料科学与工程的一个重要子领域。到2023年，仅一年内就有超过2000篇关于材料机器学习的论文发表。
此外，机器学习在材料科学中的应用已经扩展到模拟和建模、合成和表征、制造和文献挖掘等多个方面。研究背景还涉及到了机器学习技术的发展，如Transformer架构和晶体图神经网络，这些技术的发展推动了性能的重大进步，并避免了研究领域的停滞。分析了在材料科学中应用机器学习时最常用的工具，包括软件、数据库、材料科学方法和机器学习方法，并指出尽管深度学习技术在增长，传统的机器学习技术仍然占据主导地位。因此，机器学习（ML）作为一种数据驱动的高效方法，逐渐成为材料稳定性预测的重要工具。ML能够利用实验数据和DFT数据库，快速准确地预测材料的热力学稳定性，显著降低计算成本，拓展材料筛选和设计的边界，推动新材料的快速发现与应用。
深度学习(DL)是材料数据科学领域发展最快的方向之一，其新兴应用领域涵盖原子、图像、光谱和文本数据模式。深度学习可以分析非结构化数据并自动识别特征。近年来，大型材料数据库的发展推动了DL方法在原子预测领域的应用。与此相反，图像和光谱数据方面的进展主要是利用高质量正向模型以及生成式无监督DL方法得到有用的合成数据。深度学习在预测、决策和回归分析方面展现出的卓越能力，不仅在自然语言处理和计算机视觉领域证明了其有效性，而且还越来越多地影响着未来通信的智能化。
学习目标
机器学习材料专题学习目标：
内容涵盖了从基础Python编程到常见的机器学习算法，并通过实际案例分析与项目实践，帮助学员理解并掌握如何将机器学习技术应用于材料与化学领域。课程设计注重理论与实践的结合，逐步深入，让学员在学习过程中不仅能够掌握相关算法，还能亲自动手解决材料科学中的实际问题。
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。
深度学习材料专题学习目标：
课程覆盖从基础的深度学习概念到材料特征工程，再到材料基因组学与常见数据库的使用，以及多种深度学习算法的实践应用。课程注重实际案例和工具库的应用，使学习者能够在材料研究中运用深度学习方法解决问题。
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。
深度学习超材料逆向设计专题学习目标：
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）
01
机器学习材料专题
02
深度学习材料专题
03
深度学习超材料逆向设计专题
04
讲师介绍
机器学习材料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15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！
深度学习超材料逆向设计主专题讲老师：
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。
机器学习材料专题
第一天：材料机器学习基础与Python环境配置
第一天将系统讲解机器学习在材料科学中的应用背景与Python编程基础。分为如下几个部分：首先概述机器学习在材料与化学领域的核心价值，涵盖材料发现、性能预测等应用场景；其次将指导学员完成Vscode、Anaconda开发环境搭建，通过变量定义、控制流语句等基础语法教学，掌握函数封装、类与对象构建及模块化编程的进阶技巧；最后聚焦科学数据处理工具链，系统学习NumPy矩阵运算、Pandas数据分析、Matplotlib/Seaborn可视化技术及文件系统操作，为材料数据建模奠定工程基础。
【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：材料机器学习基础算法与催化活性预测实战
第二天将深入解析初级机器学习算法的数学原理及其在材料科学中的典型应用场景。分为如下几个部分：首先系统讲解线性模型家族的理论体系，从线性回归的解析解推导、逻辑回归的交叉熵损失函数，拓展到Softmax回归在多分类任务中的概率建模机制，着重分析激活函数在非线性映射中的关键作用；接着引入感知机模型作为神经网络的基础原型，通过回归与分类任务的对比，揭示机器学习算法中最核心的两类任务的区别。最后以CO2催化活性预测为切入点，在解析催化活性与电子结构特征的关联规律中，完整演练材料机器学习项目的标准流程：使用金属氧化物催化剂数据集，结合Scikit-learn库实现数据标准化处理、特征工程构建、模型选择、超参数网格搜索与ROC曲线评估。
【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.Softmax回归
1)Softmax回归的原理
2)Softmax回归的应用
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
【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：材料机器学习进阶算法与项目实战
第三天将系统剖析机器学习中的进阶算法的数学框架及其在材料复杂体系中的建模策略。分为如下几个部分：首先从决策树的信息增益分裂准则切入，对比ID3/C4.5/CART算法的特征选择差异，并引申至集成学习框架中Bagging（随机森林）与Boosting（XGBoost）对模型偏差-方差权衡的优化机制；接着解析朴素贝叶斯基于特征条件独立假设的概率建模方法，及其在材料高通量筛选中的计算效率优势；最后深入探讨支持向量机的核函数映射技巧，通过可视化手段对比线性核、多项式核与高斯核在材料相态分类任务中的决策边界差异。
实战环节聚焦材料多尺度特性预测：在双金属ORR催化活性预测项目中，通过构建合金组分-电子结构特征矩阵，运用随机森林的变量重要性分析筛选关键描述符，结合Adaboost算法提升预测精度；在高熵合金相态分类任务中，基于原子半径、电负性等特征，演示支持向量机如何通过核函数变换处理非线性可分数据，并可视化决策超平面；同时拓展至生物炭材料回归预测，利用支持向量回归（SVR）分析孔隙率-吸附性能的定量关系。课程将结合Scikit-learn工具链，贯穿特征标准化、交叉验证、混淆矩阵评估等工业级实践流程。
【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
【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：材料无监督学习与分子特征工程实践
第四天将系统构建材料数据表征体系与无监督分析技术栈。分为如下几个部分：首先解析无监督学习的核心范式，对比K-Means聚类与DBSCAN密度聚类在材料相组成识别中的差异，详解常用的无监督学习技术在材料高通量筛选中的可视化应用；接着深入探讨材料特征工程的数学表达方法；最后结合Materials Project、COD等材料数据库，演示通过Pymatgen工具包自动化获取晶体能带结构、弹性张量等关键性质数据。
实战环节聚焦材料多模态数据处理：在石墨烯样品表征任务中，通过处理二维电镜图像，运用无监督聚类算法实现样品质量分级；针对高能材料分子性质预测，构建从SMILES字符串到3D分子坐标的全流程特征工程：使用RDKit生成初始构型，通过ASE优化分子结构，计算库伦矩阵与原子极化张量作为量子化学特征，对比Morgan指纹与MACCS键合描述符对机器学习模型性能的影响。
【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
【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：材料机器学习项目实践专题
第五天将深度融合前沿模型技术与材料多尺度特性预测场景。分为如下几个部分：首先系统解析大语言模型在材料研究中的创新应用范式，重点讲解DeepSeek的transformer架构原理及其在材料文献挖掘、实验方案生成等场景的提示词工程技巧；接着深入探讨更多的材料机器学习的常见技术路径，比如通过决策树的特征分裂可视化与SHAP值分析，揭示材料性能与微观结构的内在关联规律；最后为构建深度学习技术栈打基础，对比PyTorch动态计算图与Scikit-learn静态架构在复杂材料建模中的工程差异。
【项目实操内容】
1. DeepSeek提示词工程和落地场景
1)DeepSeek简介
2)大语言模型和DeepSeek原理
3)DeepSeek提示词工程和落地场景
2.利用机器学习加速发现耐高温氧化的合金材料【文章】
4)合金材料数据集准备
5)数据预处理
6)特征构建和特征分析
7)多种模型训练
8)使用训练好的模型进行推理
3.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
4.分子渗透性分类预测
7)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
8)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
9)比较不同分子描述方法对QSAR模型性能的影响
5.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
深度学习材料专题
第一天：深度学习与材料特征工程
第一天将系统介绍深度学习在材料科学领域的应用范式与特征工程方法，并结合主流框架开展实践训练。分为如下几个部分：首先从理论层面讲解深度学习技术的核心原理及其在材料研发中的价值，重点解析材料特征工程对模型性能的关键作用；接着将概述材料与化学领域常用的深度学习方法体系，包括图神经网络、生成模型等技术路线，并延伸至材料发现、性能预测等前沿应用场景。
在实践环节，将分阶段开展PyTorch框架的专项训练：首先通过模型构建范式讲解帮助学员掌握张量运算、自动微分等基础模块，指导学员搭建面向材料属性预测的定制化模型；随后引入PyTorch Lightning高阶框架，重点演示模型训练流程优化方法，包括多GPU并行加速、早停机制设置、最优检查点保存等工程化技巧，使学员掌握工业级深度学习模型的开发部署能力。
【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
第二天：材料基因组工具链与多尺度数据库应用
第二天将系统解析材料基因组计划的实施框架与核心工具链，结合多尺度材料数据库开展全流程数据工程训练。分为如下几个部分：首先从理论层面阐述材料基因组"数据驱动发现"的科研范式革新，详解高通量计算、机器学习辅助设计、自动化实验验证三位一体的方法体系；接着重点剖析Materials Project、OQMD、AFLOW等主流材料数据库的架构特征与数据维度差异，比较其高通量计算数据在合金设计、催化筛选等场景的应用优势。
在实践环节，将基于PyMatgen构建完整的数据工作流：首先演示Material Project数据库的智能检索策略与API调用技巧，指导学员通过matgenb模块实现晶体结构可视化与电子态密度解析；随后开展ASE原子模拟环境的操作演练，重点展示晶体表面重构、吸附能计算等原子尺度模拟方法。针对OQMD与AFLOW数据库，将分别通过qmpy_rester和aflow接口实现相图数据批量化获取与热力学稳定性分析。最后依托Matminer工具库进行高阶特征工程实践，包括跨数据库材料描述符自动生成、晶格对称性特征提取，以及基于机器学习模型的物性预测管道搭建，使学员掌握材料智能设计的核心工具链应用能力。
【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
第三天：卷积神经网络在材料图像解析中的应用实践
第三天将深入解析卷积神经网络（CNN）的核心原理及其在材料科学图像处理中的创新应用，通过多场景实践强化算法与领域的深度融合。分为如下几个部分：首先从理论层面系统讲解CNN的架构特征与演化脉络，重点剖析残差网络（ResNet）解决梯度消失问题的创新机制；同时结合材料图像特性，阐释数据增广、迁移学习等关键技术对模型泛化能力的提升作用。
在实践环节，将围绕材料表征技术开展全链条训练：基础模块中，通过MNIST数据集实现ResNet预训练模型微调与全参数训练的双路径对比，同步演示卷积核可视化技术以揭示特征提取过程；原子尺度图像生成环节，基于ASE构建二硫化钼缺陷结构模型，指导学员完成STEM图像仿真流程，掌握晶体缺陷的可视化建模方法。工业级应用实践部分将分场景展开：在合金电镜识别任务中，对比原生CNN、VGG16、DenseNet201等模型在显微组织分类中的性能差异；针对X射线衍射图谱，构建一维CNN模型实现晶体对称性自动识别，重点演示PyTorch处理非标准图像数据的工程化方案；最后通过三元锂电池正极材料SEM图像分类案例，演示如何固定预训练模型的权重参数进行重新训练，使学员掌握材料图像智能解析的核心技术体系。
【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
3)卷积核的妙用
4)数据增广
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
5.基于深度学习的三元锂电池正极材料SEM图像分类研究
1)使用数据增强和数据平衡处理不平衡数据集
2)预训练模型与权重冻结
3)比较从头训练模型和微调预训练模型的效果
第四天：时序神经网络在材料动态特性预测中的前沿应用
第四天将深入解析时序神经网络的演化路径及其在材料动态过程建模中的突破性应用，通过多模态数据建模实践构建时间序列预测能力。分为如下几个部分：首先从理论层面系统梳理从RNN到Transformer的架构演进，重点剖析LSTM/GRU的门控机制对长程依赖关系的捕捉能力，对比Transformer的自注意力模型在并行计算与全局特征关联方面的创新优势；同时结合材料动态特性预测需求，阐释时序模型在电化学老化、聚合物性能演变等场景中的建模范式。
在实践环节，将分层次开展跨尺度建模训练： 基础框架构建阶段，通过PyTorch实现LSTM与GRU双模型对比实验，掌握滑动窗口数据处理、序列长度对齐等时序建模关键技术；电化学系统预测环节，针对锂电池老化轨迹预测任务，指导学员构建GRU与Transformer双通道预测体系，重点演示非平稳时间序列的平稳化处理与多周期特征融合技巧；高分子材料分析部分，基于预训练Transformer模型开展聚合物性能预测，通过SMILES序列图注意力编码、K折交叉验证策略优化模型泛化能力，同步实现材料性能预测误差带的可视化分析。
【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
第五天：生成模型与图神经网络驱动的材料逆向设计
第五天将系统阐释生成式人工智能在材料逆向设计中的创新突破，结合图神经网络构建多尺度材料生成-评估闭环。分为如下几个部分：首先从理论层面解析生成模型的范式演进，重点对比GAN、VAE与扩散模型在材料表征空间建模的差异性优势，揭示扩散模型在化学反应路径生成中的等变基元设计原理；同时剖析图神经网络处理非欧式空间数据的核心机制，阐释其在小分子特性预测中的几何深度学习范式。
在实践环节，将开展三维材料逆向设计的全流程攻关：晶体逆向工程部分，基于VAE构建晶体体素空间编码体系，指导学员通过潜空间插值生成新型晶体拓扑，同步实现晶格参数可控的隐变量采样；反应路径生成环节，采用等变扩散模型开展过渡态结构预测，演示反应物-产物构型对齐、势能面鞍点搜索等计算化学关键步骤的智能化建模。分子智能设计模块将贯通图神经网络技术链：从SMILES分子图编码、图注意力机制建模，到基于GIN/GAT架构的分子毒性分类预测，构建"结构生成-特性预测"双驱动研发体系。
【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.用目标感知的等变基元反应扩散模型精确生成过渡态【文章】
1)使用扩散模型生成分子
2)使用扩散模型生成化学反应
3)使用扩散模型生成过渡态结构
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
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
学员反馈
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！
课程特色及授课方式
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物理信息神经网络与锂离子电池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，永不解散的课程群答疑，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）
课程时间
机器学习材料专题
2025.04.12----2025.04.13（上午9.00-11.30下午13.30-17.00）
2025.04.15----2025.04.16（晚上19.00-22.00）
2025.04.19----2025.04.20（上午9.00-11.30下午13.30-17.00）
腾讯会议线上授课（共计五天时间 提供全程回放）
深度学习材料专题
2025.04.17----2025.04.18（晚上19.00-22.00）
2025.04.22----2025.04.25（晚上19.00-22.00）
2025.04.26（上午9.00-11.30下午13.30-17.00）
2025.04.27-2025.04.28（晚上19.00-22.00）
腾讯会议线上授课（共计五天时间 提供全程回放）
深度学习超材料逆向设计：
2025.04.05----2025.04.06（上午9.00-11.30下午13.30-17.00）
2025.04.07----2025.04.08（晚上19.00-22.00）
2025.04.12----2025.04.13（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）
课程费用
机器学习材料、深度学习材料每人每班￥4680元
深度学习超材料逆向设计每人每班￥4980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）
福利一：
报二送一￥9080元 （同时报名两个专题可以免费赠送一个任选专题）
福利二：报名即赠送深度学习声学超材料、机器学习分子动力学 往期回放（课程具体内容点击蓝色字体查看）福利三：年报优惠：￥16580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）
联系人：王老师
咨询电话：17654576050
(微信同号）