固態(tài)電解質(zhì)作為全固態(tài)電池的核心組成部分，近年來成為研究熱點(diǎn)。在如何發(fā)掘具有高離子電導(dǎo)率的固態(tài)電解質(zhì)方面，科學(xué)家發(fā)現(xiàn)從頭算分子動力學(xué)有助于加快發(fā)現(xiàn)快離子導(dǎo)體的進(jìn)程。然而，這些方法計算成本高，難以大規(guī)模應(yīng)用，因而需要新的技術(shù)手段來應(yīng)對這一挑戰(zhàn)。近年來，機(jī)器學(xué)習(xí)（ML）在加速新材料發(fā)現(xiàn)、優(yōu)化制造工藝、預(yù)測電池循環(huán)壽命和固態(tài)電解質(zhì) （SSE） 的性質(zhì)方面展現(xiàn)出了巨大潛力。通過在 ML 框架中集成實(shí)驗或/和仿真數(shù)據(jù)，可以加速高級 SSE 的發(fā)現(xiàn)和開發(fā)，最終促進(jìn)它們在高端儲能系統(tǒng)中的應(yīng)用。密度泛函理論 （DFT） 的引入改善了對材料特性的研究。這為固體電解質(zhì)帶來了重大突破，固體電解質(zhì)已成為下一代儲能系統(tǒng)的有前途的候選者。

鋰離子電池作為現(xiàn)代能源存儲的核心技術(shù)，其性能優(yōu)化與安全性提升面臨多尺度、多物理場耦合的復(fù)雜挑戰(zhàn)。傳統(tǒng)實(shí)驗方法受限于高成本與長周期，而基于物理模型的仿真手段難以全面捕捉電池內(nèi)部的非線性動力學(xué)行為。機(jī)器學(xué)習(xí)憑借其強(qiáng)大的數(shù)據(jù)挖掘與模式識別能力，為鋰離子電池研究提供了革命性的技術(shù)路徑：在材料層面，通過高通量計算與機(jī)器學(xué)習(xí)結(jié)合，可快速篩選電極材料并預(yù)測其電化學(xué)性能，顯著加速新型材料的發(fā)現(xiàn)；在電池層面，基于數(shù)據(jù)驅(qū)動的狀態(tài)估計方法（如SOC、SOH預(yù)測）突破了傳統(tǒng)模型的精度限制；在系統(tǒng)層面，機(jī)器學(xué)習(xí)算法能夠?qū)崿F(xiàn)對電池組的高效管理與故障預(yù)警，為電池全生命周期優(yōu)化提供科學(xué)依據(jù)。隨著實(shí)驗數(shù)據(jù)積累與算法創(chuàng)新，機(jī)器學(xué)習(xí)正推動鋰離子電池研究從經(jīng)驗驅(qū)動向智能設(shè)計范式轉(zhuǎn)變，為下一代高性能、高安全性電池的開發(fā)開辟新方向。

物理信息神經(jīng)網(wǎng)絡(luò)（Physics-Informed Neural Networks, PINN）作為深度學(xué)習(xí)與科學(xué)計算交叉融合的前沿方向，正重新定義復(fù)雜系統(tǒng)建模與優(yōu)化的方法論體系。與傳統(tǒng)數(shù)據(jù)驅(qū)動方法不同，PINN通過將物理定律（如偏微分方程、守恒律等）作為軟約束嵌入神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對物理規(guī)律的可解釋性表達(dá)與高效求解。這一突破性框架在多個領(lǐng)域展現(xiàn)出強(qiáng)大的應(yīng)用潛力：在流體力學(xué)中，PINN能夠高精度模擬湍流、邊界層等復(fù)雜流動現(xiàn)象；在材料科學(xué)領(lǐng)域，它被用于預(yù)測晶體生長、相變動力學(xué)等微觀演化過程；在地球物理勘探中，PINN為地震波反演、地下資源探測提供了新的計算工具；而在生物醫(yī)學(xué)工程中，它正推動著從細(xì)胞遷移到組織力學(xué)行為的精準(zhǔn)建模。隨著物理先驗知識的深度融入與計算框架的持續(xù)優(yōu)化，PINN不僅為解決高維、非線性科學(xué)問題提供了通用平臺，更開啟了人工智能賦能基礎(chǔ)科學(xué)研究的新篇章。

專題一

（線上直播 提供全程回放）

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計

專題二

（線上直播 提供全程回放）

機(jī)器學(xué)習(xí)鋰離子電池

專題三

（線上直播 提供全程回放）

機(jī)器學(xué)習(xí)催化劑設(shè)計

專題四

（線上直播 提供全程回放）

深度學(xué)習(xí)PINN

一、學(xué)習(xí)目標(biāo)

01

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計

1. 掌握固態(tài)離子電解質(zhì)的基本概念、關(guān)鍵性能及其表征。

2.了解利用第一性原理（DFT）和分子動力學(xué)（MD）計算固體電解質(zhì)性質(zhì)的基本方法和挑戰(zhàn)。

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)中的應(yīng)用流程。

4.學(xué)習(xí)如何構(gòu)建適用于固態(tài)電解質(zhì)的特征描符（Features/Descriptors）。

5. 熟練運(yùn)用Python及其相關(guān)庫（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen）處理材料數(shù)據(jù)和構(gòu)建機(jī)器學(xué)習(xí)模型。

6.掌握利用機(jī)器學(xué)習(xí)預(yù)測固態(tài)電解質(zhì)關(guān)鍵性能（如離子電導(dǎo)率、穩(wěn)定性等）的方法。

7.學(xué)習(xí)使用機(jī)器學(xué)習(xí)加速新型固態(tài)電解質(zhì)材料的發(fā)現(xiàn)和設(shè)計。

8.掌握使用機(jī)器學(xué)習(xí)與傳統(tǒng)計算模擬（DFT/MD）結(jié)合的策略。

02

機(jī)器學(xué)習(xí)鋰離子電池

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、第一性原理計算以及實(shí)驗數(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。

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。

03

機(jī)器學(xué)習(xí)催化劑設(shè)計

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)驗數(shù)據(jù)為模型提供真實(shí)可靠的驗證基礎(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。

04

深度學(xué)習(xí)PINN

課程旨在逐步引導(dǎo)學(xué)員掌握神經(jīng)網(wǎng)絡(luò)和物理信息神經(jīng)網(wǎng)絡(luò)（PINN）的理論知識和實(shí)踐技能。從基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)架構(gòu)開始，課程內(nèi)容逐步深入到PINN在不同領(lǐng)域的應(yīng)用，并教授學(xué)員如何使用DeepXDE工具包來簡化PINN模型的開發(fā)和訓(xùn)練。學(xué)員將學(xué)習(xí)搭建深度學(xué)習(xí)環(huán)境，設(shè)計多層感知機(jī)等深度神經(jīng)網(wǎng)絡(luò)，并應(yīng)用于解決實(shí)際問題。課程重點(diǎn)探討PINN如何結(jié)合物理定律和數(shù)據(jù)驅(qū)動學(xué)習(xí)，解決正問題和逆問題，以及在流體力學(xué)、固體力學(xué)等領(lǐng)域的應(yīng)用。此外，學(xué)員還將學(xué)習(xí)PINN在處理耦合系統(tǒng)和復(fù)雜系統(tǒng)中的應(yīng)用，如熱流耦合和電池系統(tǒng)預(yù)測。最后，課程將提升學(xué)員對PINN優(yōu)化技巧的理解，并介紹DeepXDE工具包的使用，以解決物理和化學(xué)領(lǐng)域的實(shí)際問題。

二、講師介紹

01

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計主講老師

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)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。

02

機(jī)器學(xué)習(xí)鋰離子電池主講老師

機(jī)器學(xué)習(xí)鋰離子電池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，長期從事鋰離子電池研究，特別是在利用計算模擬方法和機(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)雜的理論知識和計算方法講解得清晰易懂！

03

機(jī)器學(xué)習(xí)催化劑設(shè)計主講老師

機(jī)器學(xué)習(xí)催化劑設(shè)計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)輔助的催化劑設(shè)計與預(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)計研究領(lǐng)域深耕多年，具有豐富的經(jīng)驗和扎實(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)雜的理論知識和計算方法講解得清晰易懂！

04

深度學(xué)習(xí)PINN主講老師

PINN(物理知識神經(jīng)網(wǎng)絡(luò))與深度學(xué)習(xí)課程由來自全國重點(diǎn)大學(xué)、國家“985工程”、“211工程”重點(diǎn)高校老師主講。在機(jī)器學(xué)習(xí)領(lǐng)域具有深厚的理論基礎(chǔ)和實(shí)踐經(jīng)驗，特別是在運(yùn)用深度學(xué)習(xí)技術(shù)解決復(fù)雜科學(xué)問題方面。研究成果已經(jīng)多次在國際權(quán)威期刊上發(fā)表累計30余篇。老師不僅在學(xué)術(shù)研究上成就斐然，而且在教學(xué)工作中也表現(xiàn)出極高的熱情和才華。他的授課風(fēng)格通俗易懂，能夠?qū)⒊橄蟮睦碚撝R和復(fù)雜的計算方法講解得生動有趣，使得學(xué)員們能夠輕松理解并掌握。

專題一：機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計

第一天：固態(tài)離子電解質(zhì)基礎(chǔ)與計算模擬入門

上午：固態(tài)離子電解質(zhì)：背景、挑戰(zhàn)與機(jī)遇

1.引言： 新能源需求與固態(tài)電池的重要性。

2.固態(tài)離子電解質(zhì)基礎(chǔ)：

2.1定義、分類（氧化物、硫化物、聚合物、復(fù)合電解質(zhì)等）。

2.2關(guān)鍵性能參數(shù)詳解：離子電導(dǎo)率、電子電導(dǎo)率、電化學(xué)穩(wěn)定性窗口、熱穩(wěn)定性、機(jī)械性能、界面相容性。

2.3離子在固態(tài)電解質(zhì)中的傳輸機(jī)制（空位、間隙、協(xié)同跳躍等）。

3.計算模擬為何重要？

3.1微觀尺度理解材料物理化學(xué)行為。

3.2輔助實(shí)驗設(shè)計與結(jié)果解釋。

3.3預(yù)測新材料及其性能。

4.常用材料數(shù)據(jù)庫介紹： Materials Project, OQMD等，以及如何檢索固體電解質(zhì)相關(guān)數(shù)據(jù)。

5.面臨的挑戰(zhàn)： 傳統(tǒng)試錯法效率低，計算模擬成本高，性能與穩(wěn)定性難以兼顧。

下午：固態(tài)電解質(zhì)的計算模擬方法與數(shù)據(jù)基礎(chǔ)

1.第一性原理計算（DFT）基礎(chǔ)：

1.1基本概念與近似（LDA, GGA, DFT+U）。

1.2計算電解質(zhì)的熱力學(xué)穩(wěn)定性（相圖構(gòu)建、分解能）。

1.3計算電化學(xué)穩(wěn)定性窗口。

1.4計算離子遷移能壘（NEB方法）。

2.分子動力學(xué)（MD）基礎(chǔ)：

2.1從頭算分子動力學(xué)（AIMD） vs. 經(jīng)典分子動力學(xué)（CMD）。

2.2利用AIMD計算離子擴(kuò)散系數(shù)和離子電導(dǎo)率。

2.3力場的概念（針對特定體系，如聚合物/復(fù)合電解質(zhì)）。

3.計算模擬的局限性： 計算成本、時間尺度、體系尺寸限制 -> 引出機(jī)器學(xué)習(xí)的需求。

4.編程環(huán)境準(zhǔn)備與基礎(chǔ)庫入門：

4.1Python環(huán)境搭建（Anaconda）。

4.2Numpy：數(shù)值計算基礎(chǔ)。

4.3Pandas：數(shù)據(jù)處理與分析。

4.4Matplotlib/Seaborn：數(shù)據(jù)可視化。

4.5Pymatgen：材料學(xué)數(shù)據(jù)處理與結(jié)構(gòu)操作入門。

————————————————————————————————

第二天：機(jī)器學(xué)習(xí)基礎(chǔ)與特征工程

上午：機(jī)器學(xué)習(xí)核心概念與常用算法

1.機(jī)器學(xué)習(xí)概述： 監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

2.機(jī)器學(xué)習(xí)工作流程： 問題定義 -> 數(shù)據(jù)收集 -> 數(shù)據(jù)預(yù)處理 -> 特征工程 -> 模型選擇 -> 模型訓(xùn)練 -> 模型評估 -> 模型部署/應(yīng)用。

3.監(jiān)督學(xué)習(xí)（回歸與分類）：

3.1線性回歸、邏輯回歸。

3.2K-近鄰（KNN）。

3.3支持向量機(jī)（SVM）。

3.4決策樹。

4.非監(jiān)督學(xué)習(xí)：

4.1K-均值聚類（K-Means）。

4.2層次聚類。

4.3主成分分析（PCA）用于降維與可視化。

5.Scikit-learn庫核心功能介紹與使用。

下午：固態(tài)電解質(zhì)的特征工程與數(shù)據(jù)處理

1.特征工程的重要性： 如何將材料信息轉(zhuǎn)化為機(jī)器學(xué)習(xí)模型可理解的輸入。

2.常用特征類別：

2.1組分特征： 原子屬性（半徑、電負(fù)性、價電子數(shù)等）的統(tǒng)計量（平均、方差、范圍等）。

2.2結(jié)構(gòu)特征： 晶格參數(shù)、空間群、原子坐標(biāo)、配位數(shù)、鍵長鍵角分布、Voronoi多面體分析、徑向分布函數(shù)（RDF）信息等。

2.3物理/化學(xué)特征（計算或?qū)嶒灒?帶隙、形成能、體積模量、已知電導(dǎo)率/穩(wěn)定性數(shù)據(jù)等。

3.特征生成工具： Pymatgen、Matminer、手動構(gòu)建。

4.數(shù)據(jù)預(yù)處理： 缺失值處理、數(shù)據(jù)標(biāo)準(zhǔn)化/歸一化、異常值檢測。

5.實(shí)戰(zhàn)一：固態(tài)電解質(zhì)數(shù)據(jù)集的構(gòu)建與特征提取

5.1任務(wù)：從數(shù)據(jù)庫（如Materials Project）下載固態(tài)電解質(zhì)數(shù)據(jù)，使用Pymatgen/Matminer提取組分和結(jié)構(gòu)特征，形成適用于機(jī)器學(xué)習(xí)的數(shù)據(jù)集（CSV/Pandas DataFrame）。

————————————————————————————————

第三天：模型評估、優(yōu)化與集成學(xué)習(xí)

上午：模型評估與優(yōu)化

1.模型評估指標(biāo)：

1.1回歸：均方誤差（MSE）、平均絕對誤差（MAE）、決定系數(shù)（R2）。

1.2分類：準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分?jǐn)?shù)、ROC曲線與AUC。

2.交叉驗證（Cross-Validation）： K折交叉驗證、留一法等，用于評估模型泛化能力。

3.模型選擇與避免過擬合/欠擬合： 學(xué)習(xí)曲線分析。

4.超參數(shù)調(diào)優(yōu)： 網(wǎng)格搜索（Grid Search）、隨機(jī)搜索（Random Search）。

下午：集成學(xué)習(xí)與實(shí)踐

1.集成學(xué)習(xí)思想： Bagging (如隨機(jī)森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)。

2.隨機(jī)森林（Random Forest）原理與應(yīng)用。

3.梯度提升樹（Gradient Boosting）原理與應(yīng)用。

4.實(shí)戰(zhàn)二：基于集成學(xué)習(xí)的固態(tài)電解質(zhì)離子電導(dǎo)率預(yù)測

4.1任務(wù)：使用第二天構(gòu)建的數(shù)據(jù)集，訓(xùn)練并比較多種監(jiān)督學(xué)習(xí)模型（如SVM, RF, GBT）預(yù)測離子電導(dǎo)率。運(yùn)用交叉驗證評估模型性能，并使用網(wǎng)格搜索進(jìn)行超參數(shù)調(diào)優(yōu)。分析特征重要性。

————————————————————————————————

第四天：深度學(xué)習(xí)及其在固態(tài)電解質(zhì)中的應(yīng)用

上午：深度學(xué)習(xí)基礎(chǔ)與神經(jīng)網(wǎng)絡(luò)

1.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。

2.深度學(xué)習(xí)框架介紹： Pytorch / TensorFlow 基礎(chǔ)。

3.構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)（DNN/MLP）。

4.深度學(xué)習(xí)中的正則化： L1, L2, Dropout。

5.優(yōu)化算法： SGD, Adam, RMSprop。

下午：圖神經(jīng)網(wǎng)絡(luò)（GNN）及其在材料科學(xué)中的應(yīng)用

1.為什么需要GNN？ 傳統(tǒng)特征工程的局限性，如何直接從原子結(jié)構(gòu)學(xué)習(xí)。

2.圖的基本概念： 節(jié)點(diǎn)（原子）、邊（鍵）、圖（晶體結(jié)構(gòu)/分子）。

3.GNN基本思想： 消息傳遞機(jī)制。

4.常用GNN架構(gòu)介紹： GCN, GAT, SchNet, MEGNet/ALIGNN等。

5.實(shí)戰(zhàn)三：使用DNN預(yù)測固態(tài)電解質(zhì)性質(zhì)

5.1任務(wù)：利用Pytorch構(gòu)建DNN模型，使用第三天處理好的特征數(shù)據(jù)進(jìn)行離子電導(dǎo)率或穩(wěn)定性預(yù)測，與傳統(tǒng)ML模型對比。

6.實(shí)戰(zhàn)四：基于圖神經(jīng)網(wǎng)絡(luò)的固態(tài)電解質(zhì)性質(zhì)預(yù)測

6.1任務(wù)：利用現(xiàn)有的材料學(xué)GNN庫（如Pytorch Geometric, DGL配合相應(yīng)模型）構(gòu)建或調(diào)用預(yù)定義GNN模型，直接輸入晶體結(jié)構(gòu)信息預(yù)測離子電導(dǎo)率，并與基于特征工程的模型進(jìn)行比較。

————————————————————————————————

第五天：機(jī)器學(xué)習(xí)加速材料發(fā)現(xiàn)與高級應(yīng)用

上午：機(jī)器學(xué)習(xí)驅(qū)動的材料設(shè)計與發(fā)現(xiàn)

1.高通量虛擬篩選： 結(jié)合材料數(shù)據(jù)庫與訓(xùn)練好的ML模型，快速篩選大量候選材料，預(yù)測其關(guān)鍵性能（電導(dǎo)率、穩(wěn)定性），縮小實(shí)驗或高精度計算的范圍。

2.主動學(xué)習(xí)（Active Learning）： 通過迭代方式，讓模型選擇最有信息量的“下一個”計算/實(shí)驗點(diǎn)，用最少的數(shù)據(jù)達(dá)到最好的模型效果或最快發(fā)現(xiàn)目標(biāo)材料。

3.貝葉斯優(yōu)化（Bayesian Optimization）： 用于優(yōu)化材料組分或結(jié)構(gòu)參數(shù)以達(dá)到目標(biāo)性能。

4.機(jī)器學(xué)習(xí)與DFT/MD的結(jié)合：

4.1ML力場/勢函數(shù)：加速M(fèi)D模擬。

4.2使用ML預(yù)測DFT計算的中間量或最終結(jié)果。

下午：綜合應(yīng)用與展望

1.實(shí)戰(zhàn)五：模擬高通量篩選流程

1.1任務(wù)：利用已訓(xùn)練好的ML模型對一個“虛擬”的包含大量未探索成分/結(jié)構(gòu)的候選材料數(shù)據(jù)庫進(jìn)行快速性能預(yù)測，識別出數(shù)個最有潛力的候選者。

2.案例研究： 展示已發(fā)表的利用ML成功發(fā)現(xiàn)或優(yōu)化固態(tài)電解質(zhì)的實(shí)例。

3.總結(jié)與展望： 機(jī)器學(xué)習(xí)在固態(tài)電解質(zhì)領(lǐng)域的挑戰(zhàn)與未來發(fā)展方向（如界面問題、多性能協(xié)同優(yōu)化、可解釋性、數(shù)據(jù)共享等）。

部分案例圖片：

專題二：機(jī)器學(xué)習(xí)鋰離子電池

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?/span>

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、實(shí)驗引導(dǎo)的高通量機(jī)器學(xué)習(xí)分析：講解將機(jī)器學(xué)習(xí)模型集成到實(shí)驗流程中，優(yōu)化實(shí)驗過程，實(shí)現(xiàn)從實(shí)驗設(shè)計到數(shù)據(jù)分析的自動化和智能化。

————————————————————————————————

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算

機(jī)器學(xué)習(xí)與實(shí)驗結(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)計和優(yōu)化。

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)八、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，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)九：

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，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，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，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：基于GRU、LSTM、Transformer鋰電池剩余壽命預(yù)測：重點(diǎn)講解如何設(shè)計GRU、LSTM或Transformer模型的架構(gòu)，包括層數(shù)、隱藏單元的數(shù)量、輸入和輸出維度等，比較GRU、LSTM和Transformer模型的性能。

實(shí)戰(zhàn)十一： 從文獻(xiàn)中收集的大量鋰離子數(shù)據(jù)集，基于注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)算法架構(gòu)，用于預(yù)測和監(jiān)測電池壽命。

專題三：機(jī)器學(xué)習(xí)催化劑設(shè)計專題

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)驗和現(xiàn)代應(yīng)用（如機(jī)器學(xué)習(xí)材料設(shè)計）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

項目實(shí)操

1.機(jī)器學(xué)習(xí)加速設(shè)計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

3.SHAP機(jī)器學(xué)習(xí)可解釋性分析

這兩個實(shí)操項目同時穿插講解如下內(nèi)容

A1 模型性能的評估方法

A1.1 交叉驗證：評估估計器的性能

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

項目實(shí)操（約2.5-3小時）

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。本此課程以指導(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：深度學(xué)習(xí)PINN專題

第一天：

課程目標(biāo)：深入理解神經(jīng)網(wǎng)絡(luò)的基本概念、架構(gòu)和在多個領(lǐng)域的應(yīng)用。掌握搭建深度學(xué)習(xí)開發(fā)環(huán)境的技能，包括使用Conda創(chuàng)建Python虛擬環(huán)境和安裝PyTorch等必要工具。學(xué)習(xí)設(shè)計和實(shí)現(xiàn)多層感知機(jī)（MLP）等深度神經(jīng)網(wǎng)絡(luò)架構(gòu)。通過實(shí)際案例，培養(yǎng)將理論知識應(yīng)用于解決復(fù)雜問題的能力。

Python與深度學(xué)習(xí)(上午)

神經(jīng)網(wǎng)絡(luò)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)，在各個領(lǐng)域的廣泛應(yīng)用(圖像識別、自然語言處理、金融科技、推薦系統(tǒng)、環(huán)境科學(xué)等)。神經(jīng)網(wǎng)絡(luò)的基本構(gòu)建模塊，包括神經(jīng)元、層、激活函數(shù)等核心組成部分。指導(dǎo)學(xué)員搭建深度學(xué)習(xí)開發(fā)環(huán)境，包括使用Conda創(chuàng)建Python虛擬環(huán)境、PyTorch等必要的工具和庫的安裝。講述利用Numpy從文件讀取存儲，到數(shù)據(jù)類型、矩陣變換和tensor的常用計算。

深度神經(jīng)網(wǎng)絡(luò)搭建(下午)

案例一：多層感機(jī)預(yù)測材料屬性

在材料科學(xué)領(lǐng)域，準(zhǔn)確預(yù)測材料的屬性對于新材料的設(shè)計和發(fā)現(xiàn)具有重要意義。傳統(tǒng)的預(yù)測方法依賴于復(fù)雜的理論模型或耗時的實(shí)驗測試。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，我們可以使用多層感知機(jī)（MLP）來快速、準(zhǔn)確地從材料的化學(xué)式中學(xué)習(xí)并預(yù)測其屬性。

————————————————————————————————

第二天

課程目標(biāo)：深入理解物理信息神經(jīng)網(wǎng)絡(luò)（PINN）如何融合物理定律和數(shù)據(jù)驅(qū)動學(xué)習(xí)。學(xué)習(xí)如何利用PINN解決正問題和逆問題。通過實(shí)際案例，培養(yǎng)使用PINN進(jìn)行建模和預(yù)測的技能。通過摩擦系數(shù)識別反演案例，掌握如何使用PINN從噪聲數(shù)據(jù)中反求物理參數(shù)。學(xué)習(xí)如何使用PINN來解決導(dǎo)熱擴(kuò)散問題，包括如何將物理定律（如擴(kuò)散方程）嵌入到神經(jīng)網(wǎng)絡(luò)中。

PINN——方法原理(上午)

案例二：摩擦系數(shù)識別反演

物理信息學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的工具，它結(jié)合了深度學(xué)習(xí)技術(shù)和物理定律，使其不僅可以解決給定輸入預(yù)測輸出的問題，而且可以處理利用給定輸出確定模型參數(shù)。本案例利用存在噪聲的觀測數(shù)據(jù)識別阻尼振動方程中的摩擦系數(shù)μ。

PINN——傳熱擴(kuò)散(下午)

案例三：線性熱傳導(dǎo)問題

熱傳導(dǎo)是熱力學(xué)和傳熱學(xué)中的一個核心概念，它涉及研究在穩(wěn)態(tài)條件下熱量如何在物體內(nèi)部傳遞。在許多工程和物理問題中，理解和預(yù)測熱傳導(dǎo)過程對于確保材料的性能、優(yōu)化熱管理系統(tǒng)以及保障結(jié)構(gòu)的完整性至關(guān)重要。對于具有恒定熱導(dǎo)率的均質(zhì)物體，熱傳導(dǎo)過程可以通過一維穩(wěn)態(tài)傳導(dǎo)方程來描述。

案例四：污染物向地下遷移擴(kuò)散

地下水污染是一個全球性的環(huán)境問題，準(zhǔn)確預(yù)測污染物的擴(kuò)散和遷移過程對于制定有效的環(huán)境修復(fù)策略至關(guān)重要。物理信息神經(jīng)網(wǎng)絡(luò)在模擬污染物向地下遷移擴(kuò)散的問題上具有顯著的應(yīng)用潛力。污染物在地下水中的遷移通常可以通過擴(kuò)散方程來描述。

————————————————————————————————

第三天

課程目標(biāo)：深化對物理信息神經(jīng)網(wǎng)絡(luò)在流體力學(xué)和固體力學(xué)中應(yīng)用的理解，并提高將這一先進(jìn)技術(shù)應(yīng)用于解決實(shí)際工程問題的能力。通過分析和實(shí)踐Burgers方程、流體遇阻行為、振動梁響應(yīng)以及能量損失方法等案例，掌握如何將這些模型應(yīng)用于流體力學(xué)中的粘性流體動力學(xué)問題和流體遇阻行為的研究，以及固體力學(xué)中的振動梁動力學(xué)問題和基于能量損失的載荷響應(yīng)分析。

PINN——流體力學(xué)(上午)

案例五：粘性流體動力學(xué)

Burgers方程是流體力學(xué)中的一個基本方程，它通過結(jié)合對流和擴(kuò)散效應(yīng)來描述一維流體在考慮流體粘性的情況下運(yùn)動。案例描述了封閉流體環(huán)境中給予一個初始正弦波形式的位移擾動而激發(fā)的流體運(yùn)動。

案例六：流體遇阻行為研究

流體繞過障礙物時的行為在工程和環(huán)境科學(xué)中非常重要，例如在設(shè)計建筑物、橋梁和飛機(jī)時預(yù)測和控制空氣流動，以及在水處理和海洋工程中研究水流模式。通過結(jié)合物理定律和數(shù)據(jù)驅(qū)動的方法，PINNs能夠提高預(yù)測的準(zhǔn)確性和效率，為工程應(yīng)用提供科學(xué)依據(jù)。

PINN——固體力學(xué)(下午)

案例七：振動梁動力學(xué)與結(jié)構(gòu)特性參數(shù)反演

在固體力學(xué)領(lǐng)域，研究兩端固定梁在初始時刻受到正弦波形縱向振動激勵的響應(yīng)，是一個經(jīng)典的動力學(xué)問題。該問題還涉及到波動方程的求解，對理解固體材料的動態(tài)響應(yīng)特性和優(yōu)化結(jié)構(gòu)設(shè)計均具有重要的意義。

案例八：基于能量損失的載荷響應(yīng)

在工程領(lǐng)域，結(jié)構(gòu)的響應(yīng)分析對于預(yù)測和設(shè)計結(jié)構(gòu)在實(shí)際載荷下的變形和應(yīng)力分布至關(guān)重要。傳統(tǒng)的PINN通?；诳刂品匠虂眍A(yù)測結(jié)構(gòu)響應(yīng)，在處理復(fù)雜載荷問題需要長時間訓(xùn)練。通過能量衡算而不是直接求解控制方程的方法，可以更有效地處理非線性問題。

————————————————————————————————

第四天

課程目標(biāo)：熟練掌握PINN在處理耦合系統(tǒng)和復(fù)雜系統(tǒng)，如不規(guī)則幾何體內(nèi)的熱流耦合和電池系統(tǒng)中的應(yīng)用。通過深入學(xué)習(xí)，學(xué)員將能夠?qū)INN技術(shù)應(yīng)用于解決實(shí)際工程和科學(xué)問題，特別是在流體力學(xué)和熱傳遞的耦合系統(tǒng)，以及電池健康狀態(tài)預(yù)測等領(lǐng)域。理解流體流動與熱傳遞之間的相互作用，以及這些相互作用如何影響系統(tǒng)性能。掌握如何使用PINN進(jìn)行電池健康狀態(tài)的預(yù)測，以及如何將電池理論融入PINN模型中。

PINN——耦合系統(tǒng)(上午)

案例九：頂蓋驅(qū)動空腔

頂蓋驅(qū)動空腔問題是計算流體力學(xué)中的一個經(jīng)典問題，用于測試和驗證數(shù)值方法的準(zhǔn)確性，因為它產(chǎn)生了豐富的流體動力學(xué)行為，包括渦流、速度分布和壓力場。

案例十：鰭片熱流耦合

鰭片熱流耦合在工業(yè)應(yīng)用中非常常見，如在散熱器、熱交換器和電子冷卻設(shè)備中。在這些系統(tǒng)中，流體的流動與鰭片的熱傳遞之間存在復(fù)雜的相互作用。流體動力學(xué)影響熱傳遞效率，而熱傳遞過程也會影響流體的流動特性。因此，理解和預(yù)測這種耦合系統(tǒng)的動態(tài)行為對于優(yōu)化設(shè)計至關(guān)重要。

PINN——鋰電系統(tǒng)(下午)

案例十一：鋰電健康狀態(tài)預(yù)測

鋰離子電池健康狀態(tài)是指電池當(dāng)前容量與其初始容量的比值，是衡量電池性能和壽命的關(guān)鍵指標(biāo)。鋰離子電池健康狀態(tài)的準(zhǔn)確預(yù)測對于電池管理系統(tǒng)、電動汽車和可再生能源存儲等領(lǐng)域至關(guān)重要。物理信息神經(jīng)網(wǎng)絡(luò)可以有效地整合電化學(xué)理論和實(shí)驗數(shù)據(jù)，從而對電池的健康狀況進(jìn)行準(zhǔn)確預(yù)測。

————————————————————————————————

第五天

課程目標(biāo)：提升對PINN的優(yōu)化技巧，并讓學(xué)會使用DeepXDE工具包來解決實(shí)際問題。掌握并應(yīng)用加權(quán)PINN和小批次訓(xùn)練法等優(yōu)化技巧，以提高模型的預(yù)測準(zhǔn)確性和收斂性。學(xué)習(xí)并實(shí)踐使用DeepXDE工具包，以簡化PINN模型的開發(fā)和訓(xùn)練過程。通過半導(dǎo)體器件和化學(xué)反應(yīng)案例，了解如何將DeepXDE應(yīng)用于實(shí)際的物理和化學(xué)問題。

PINN——優(yōu)化技巧(上午)

案例十二：加權(quán)物理信息神經(jīng)網(wǎng)絡(luò)

通過在損失函數(shù)中添加權(quán)重，加權(quán)PINN能夠更準(zhǔn)確地捕捉模型的初始條件，從而在整個時間范圍內(nèi)提供更準(zhǔn)確的預(yù)測。這種方法對于理解和預(yù)測材料的界面動力學(xué)以及相關(guān)的工程問題具有重要意義。

案例十三：小批次訓(xùn)練法

小批次訓(xùn)練法是一種在深度學(xué)習(xí)中用于提高性能的技術(shù)。與全批量梯度下降相比，小批量處理有助于更好地避免不太理想的局部最小值。研究發(fā)現(xiàn)，小批量方法可以促進(jìn)用于近似相場方程的神經(jīng)網(wǎng)絡(luò)的收斂。

PINN——工具介紹(DeepXDE) (下午)

案例十四：半導(dǎo)體器件中的電勢分布

在半導(dǎo)體物理中，了解電勢如何在器件中變化對于設(shè)計和優(yōu)化器件性能至關(guān)重要。泊松方程描述了電場（電勢的負(fù)梯度）與自由電荷密度之間的關(guān)系，在電勢變化是由電荷分布引起的物理情境下適用。本案例我們關(guān)注一個一維半導(dǎo)體納米線，由于摻雜的影響，在內(nèi)部產(chǎn)生了電勢變化。

案例十五：擴(kuò)散化學(xué)反應(yīng)的參數(shù)辨識

在化學(xué)工業(yè)中，反應(yīng)器是進(jìn)行化學(xué)反應(yīng)的核心設(shè)備。理解和控制反應(yīng)器內(nèi)的反應(yīng)動力學(xué)對于提高反應(yīng)效率、優(yōu)化產(chǎn)品產(chǎn)量和質(zhì)量至關(guān)重要。本案例考慮一個理想反應(yīng)器，其中兩種化學(xué)物質(zhì)A和B發(fā)生反應(yīng)，其反應(yīng)過程可以用一個擴(kuò)散-反應(yīng)系統(tǒng)描述。

學(xué)員反饋

課程會議完畢后老師長期解疑，課程群不解散，往期會議學(xué)員對于會議質(zhì)量和授課方式一致評價極高！

課程特色及授課方式

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，理論＋實(shí)操授課方式結(jié)合大量實(shí)戰(zhàn)案例與項目演練，聚焦人工智能技術(shù)在固態(tài)電解質(zhì)和鋰離子電池領(lǐng)域的最新研究進(jìn)展，課前發(fā)送全部學(xué)習(xí)資料，課程提供全程答疑解惑；

完全貼合學(xué)員需求的課程體系設(shè)計，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)，發(fā)送全部案例資料，永不解散的課程群答疑可以與相同領(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！

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）

會議時間

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計：

2025.06.07----2025.06.08（上午9.00-11.30下午13.30-17.00）

2025.06.12----2025.06.13（晚上19.00-22.00）

2025.06.14----2025.06.15（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）

機(jī)器學(xué)習(xí)鋰離子電池：

2025.06.02（上午9.00-11.30下午13.30-17.00）

2025.06.07----2025.06.08（上午9.00-11.30下午13.30-17.00）

2025.06.14----2025.06.15（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）

機(jī)器學(xué)習(xí)催化劑設(shè)計：

2025.6.14----2025.6.15(上午9:00-11:30下午13:30-17:00)

2025.6.16----2025.6.17(晚上19:00-22:00)

2025.6.21----2025.6.22(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）

深度學(xué)習(xí)PINN：

2025.06.09----2025.06.12（晚上19.00-22.00）

2025.06.18----2025.06.19（晚上19.00-22.00）

2025.06.21----2025.06.22（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）

課程費(fèi)用

課程費(fèi)用：

機(jī)器學(xué)習(xí)固態(tài)電解質(zhì)設(shè)計、機(jī)器學(xué)習(xí)催化劑設(shè)計

每人每班￥4980元（包含會議費(fèi)、資料費(fèi)、提供課后全程回放資料）

機(jī)器學(xué)習(xí)鋰離子電池、深度學(xué)習(xí)PINN

每人每班￥4680元（包含會議費(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：

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15880元

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

報名咨詢方式

請掃描下方二維碼

聯(lián)系人老師

咨詢電話｜17654576050（微信同號）

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實(shí)相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。