水凝膠高分子材料為機(jī)器學(xué)習(xí)提供了獨(dú)特的物理載體和交互界面，使其能夠更直接地感知和影響物理/生物世界，尤其是在柔性、生物相容性、自適應(yīng)響應(yīng)方面具有不可替代的優(yōu)勢(shì)。機(jī)器學(xué)習(xí)則為理解和控制復(fù)雜的水凝膠行為、處理其產(chǎn)生的數(shù)據(jù)、優(yōu)化其設(shè)計(jì)和應(yīng)用提供了強(qiáng)大的工具。雖然目前仍處于早期階段并面臨諸多挑戰(zhàn)，但兩者的深度融合在智能感知、神經(jīng)形態(tài)計(jì)算、自適應(yīng)機(jī)器人、個(gè)性化醫(yī)療和革命性新材料研發(fā)等領(lǐng)域展現(xiàn)出極其誘人的前景。未來的突破將依賴于材料性能的提升、制造工藝的進(jìn)步、新型器件結(jié)構(gòu)的創(chuàng)新以及專門為“濕件”設(shè)計(jì)的機(jī)器學(xué)習(xí)算法的出現(xiàn)。水凝膠高分子材料與機(jī)器學(xué)習(xí)的結(jié)合是一個(gè)充滿潛力的新興交叉領(lǐng)域，盡管直接應(yīng)用還在探索階段，但兩者的協(xié)同效應(yīng)可能在未來多個(gè)方向帶來突破性進(jìn)展。

長期以來，在微觀世界的探索中，科學(xué)家們常面臨“魚與熊掌不可兼得”的窘境：要么追求第一性原理的極致精確而犧牲計(jì)算尺度與效率，要么依賴經(jīng)驗(yàn)力場(chǎng)的速度而損失對(duì)復(fù)雜體系真實(shí)物理化學(xué)過程的深刻洞察。如今，一場(chǎng)由“AI for Science”驅(qū)動(dòng)的變革正席卷而來，其核心利器——機(jī)器學(xué)習(xí)力場(chǎng)（ML-FFs）——正以“智能引擎”的姿態(tài)，徹底打破這一瓶頸。

ML-FFs不僅以驚人的方式學(xué)習(xí)并復(fù)現(xiàn)量子力學(xué)的復(fù)雜規(guī)律，更將模擬的邊界推向了前所未有的廣度和深度。我們正見證著一個(gè)新時(shí)代的黎明：從原子尺度精準(zhǔn)設(shè)計(jì)下一代能源材料、高效催化劑，到揭示生命過程中關(guān)鍵分子的動(dòng)態(tài)奧秘，ML-FFs正以前所未有的能力賦能科學(xué)家。頂級(jí)期刊上的成果井噴，正是這一變革力量的有力證明。這不僅僅是計(jì)算工具的升級(jí)，更是科研思維與發(fā)現(xiàn)模式的革新。然而，駕馭這強(qiáng)大的“AI引擎”，需要融合量子物理的智慧、分子模擬的技藝與機(jī)器學(xué)習(xí)的精髓。

近年來，物理信息驅(qū)動(dòng)的深度學(xué)習(xí)技術(shù)正在重塑材料失效分析的研究范式。傳統(tǒng)方法依賴經(jīng)驗(yàn)?zāi)Ｐ停ㄈ鏟aris法則）或數(shù)值仿真（如擴(kuò)展有限元XFEM），在應(yīng)對(duì)多尺度損傷演化和復(fù)雜邊界條件時(shí)面臨計(jì)算成本高、泛化性差的局限（Bessa et al., JMPS 2017）。深度學(xué)習(xí)通過融合物理規(guī)律與數(shù)據(jù)驅(qū)動(dòng)方法，實(shí)現(xiàn)了三大突破：跨尺度建模革新、多物理場(chǎng)耦合優(yōu)化、小樣本學(xué)習(xí)突破。

專題一

人工智能輔助材料設(shè)計(jì)

直播專題

（五天內(nèi)容）

專題二

深度學(xué)習(xí)材料疲勞與斷裂分析

直播專題

（三天內(nèi)容）

專題三

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)

直播專題

（五天內(nèi)容）

專題四

深度學(xué)習(xí)第一性原理

直播專題

（五天內(nèi)容）

專題五

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

精品錄播

（五天內(nèi)容）

專題六

（詳細(xì)內(nèi)容點(diǎn)擊上方名稱查看）

精品錄播

（五天內(nèi)容）

專題七

（詳細(xì)內(nèi)容點(diǎn)擊上方名稱查看）

精品錄播

（五天內(nèi)容）

01

專題一：人工智能輔助材料設(shè)計(jì)

專題目標(biāo)與講師介紹

課程目標(biāo)

專題內(nèi)容涵蓋了從基礎(chǔ)Python編程到常見的機(jī)器學(xué)習(xí)算法，并通過實(shí)際案例分析與項(xiàng)目實(shí)踐，幫助學(xué)員理解并掌握如何將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于材料與化學(xué)領(lǐng)域。課程設(shè)計(jì)注重理論與實(shí)踐的結(jié)合，逐步深入，讓學(xué)員在學(xué)習(xí)過程中不僅能夠掌握相關(guān)算法，還能親自動(dòng)手解決材料科學(xué)中的實(shí)際問題。

1.掌握Python編程基礎(chǔ)及其在科學(xué)計(jì)算中的應(yīng)用：學(xué)會(huì)利用Python進(jìn)行數(shù)據(jù)處理、模型構(gòu)建與可視化，熟悉NumPy、Pandas等工具。

2.理解材料與化學(xué)中的機(jī)器學(xué)習(xí)方法：掌握線性回歸、邏輯回歸、決策樹、支持向量機(jī)等常見算法的基本原理與應(yīng)用。

3.應(yīng)用機(jī)器學(xué)習(xí)解決材料科學(xué)問題：通過項(xiàng)目實(shí)踐，深入理解數(shù)據(jù)采集、特征選擇、模型訓(xùn)練與評(píng)估等步驟，學(xué)會(huì)使用sklearn等工具庫完成任務(wù)。

4.了解材料數(shù)據(jù)的特征工程與數(shù)據(jù)庫應(yīng)用：學(xué)習(xí)如何表示分子結(jié)構(gòu)與晶體結(jié)構(gòu)，并了解常見材料數(shù)據(jù)庫的使用方法。

5.提升實(shí)戰(zhàn)能力并引導(dǎo)深入學(xué)習(xí)：通過多樣化的項(xiàng)目實(shí)踐案例，鞏固課程內(nèi)容，為后續(xù)深度學(xué)習(xí)等更復(fù)雜算法的學(xué)習(xí)打下基礎(chǔ)。

人工智能輔助材料設(shè)計(jì)主講老師：陳老師來自國內(nèi)“985工程”頂尖高校材料物理與化學(xué)專業(yè)，長期從事材料科學(xué)、機(jī)器學(xué)習(xí)，未來互聯(lián)網(wǎng)與命名數(shù)據(jù)網(wǎng)絡(luò)，量子力學(xué)等領(lǐng)域。在多個(gè)國際高水平期刊上發(fā)表 SCI檢索論文15余篇。國家發(fā)明專利一項(xiàng)，他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識(shí)和計(jì)算方法講解得清晰易懂，受到學(xué)員們的一致認(rèn)可和高度評(píng)價(jià)！

人工智能輔助材料設(shè)計(jì)專題大綱

第一天：材料機(jī)器學(xué)習(xí)基礎(chǔ)與Python環(huán)境配置

第一天將系統(tǒng)講解機(jī)器學(xué)習(xí)在材料科學(xué)中的應(yīng)用背景與Python編程基礎(chǔ)。分為如下幾個(gè)部分：首先概述機(jī)器學(xué)習(xí)在材料與化學(xué)領(lǐng)域的核心價(jià)值，涵蓋材料發(fā)現(xiàn)、性能預(yù)測(cè)等應(yīng)用場(chǎng)景；其次將指導(dǎo)學(xué)員完成Vscode、Anaconda開發(fā)環(huán)境搭建，通過變量定義、控制流語句等基礎(chǔ)語法教學(xué)，掌握函數(shù)封裝、類與對(duì)象構(gòu)建及模塊化編程的進(jìn)階技巧；最后聚焦科學(xué)數(shù)據(jù)處理工具鏈，系統(tǒng)學(xué)習(xí)NumPy矩陣運(yùn)算、Pandas數(shù)據(jù)分析、Matplotlib/Seaborn可視化技術(shù)及文件系統(tǒng)操作，為材料數(shù)據(jù)建模奠定工程基礎(chǔ)。

【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)

1)開發(fā)環(huán)境搭建

2)變量和數(shù)據(jù)類型

3)控制流

2.Python基礎(chǔ)（續(xù)）

1)函數(shù)

2)類和對(duì)象

3)模塊

3.Python科學(xué)數(shù)據(jù)處理

1)NumPy

2)Pandas

3)繪圖可視化

4)文件系統(tǒng)

第二天：材料機(jī)器學(xué)習(xí)基礎(chǔ)算法與催化活性預(yù)測(cè)實(shí)戰(zhàn)

第二天將深入解析初級(jí)機(jī)器學(xué)習(xí)算法的數(shù)學(xué)原理及其在材料科學(xué)中的典型應(yīng)用場(chǎng)景。分為如下幾個(gè)部分：首先系統(tǒng)講解線性模型家族的理論體系，從線性回歸的解析解推導(dǎo)、邏輯回歸的交叉熵?fù)p失函數(shù)，拓展到Softmax回歸在多分類任務(wù)中的概率建模機(jī)制，著重分析激活函數(shù)在非線性映射中的關(guān)鍵作用；接著引入感知機(jī)模型作為神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)原型，通過回歸與分類任務(wù)的對(duì)比，揭示機(jī)器學(xué)習(xí)算法中最核心的兩類任務(wù)的區(qū)別。最后以CO2催化活性預(yù)測(cè)為切入點(diǎn)，在解析催化活性與電子結(jié)構(gòu)特征的關(guān)聯(lián)規(guī)律中，完整演練材料機(jī)器學(xué)習(xí)項(xiàng)目的標(biāo)準(zhǔn)流程：使用金屬氧化物催化劑數(shù)據(jù)集，結(jié)合Scikit-learn庫實(shí)現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化處理、特征工程構(gòu)建、模型選擇、超參數(shù)網(wǎng)格搜索與ROC曲線評(píng)估。

【理論內(nèi)容】

1.線性回歸

1)線性回歸的原理

2)線性回歸的應(yīng)用

2.邏輯回歸

1)邏輯回歸的原理

2)邏輯回歸的應(yīng)用

3.Softmax回歸

1)Softmax回歸的原理

2)Softmax回歸的應(yīng)用

4.感知機(jī)（淺層神經(jīng)網(wǎng)絡(luò)）

1)感知機(jī)的原理

2)使用感知機(jī)進(jìn)行回歸

3)使用感知機(jī)進(jìn)行分類

【項(xiàng)目實(shí)操內(nèi)容】

1.機(jī)器學(xué)習(xí)對(duì)CO2催化活性的預(yù)測(cè)｜機(jī)器學(xué)習(xí)入門簡(jiǎn)單案例【文章】

1)機(jī)器學(xué)習(xí)材料與化學(xué)應(yīng)用的典型步驟

a)數(shù)據(jù)采集和清洗

b)特征選擇和模型選擇

c)模型訓(xùn)練和測(cè)試

d)模型性能評(píng)估和優(yōu)化

2)sklearn庫介紹

a)sklearn庫的基本用法

b)sklearn庫的算法API

c)sklearn庫的模型性能評(píng)估

第三天：材料機(jī)器學(xué)習(xí)進(jìn)階算法與項(xiàng)目實(shí)戰(zhàn)

第三天將系統(tǒng)剖析機(jī)器學(xué)習(xí)中的進(jìn)階算法的數(shù)學(xué)框架及其在材料復(fù)雜體系中的建模策略。分為如下幾個(gè)部分：首先從決策樹的信息增益分裂準(zhǔn)則切入，對(duì)比ID3/C4.5/CART算法的特征選擇差異，并引申至集成學(xué)習(xí)框架中Bagging（隨機(jī)森林）與Boosting（XGBoost）對(duì)模型偏差-方差權(quán)衡的優(yōu)化機(jī)制；接著解析樸素貝葉斯基于特征條件獨(dú)立假設(shè)的概率建模方法，及其在材料高通量篩選中的計(jì)算效率優(yōu)勢(shì)；最后深入探討支持向量機(jī)的核函數(shù)映射技巧，通過可視化手段對(duì)比線性核、多項(xiàng)式核與高斯核在材料相態(tài)分類任務(wù)中的決策邊界差異。

實(shí)戰(zhàn)環(huán)節(jié)聚焦材料多尺度特性預(yù)測(cè)：在雙金屬ORR催化活性預(yù)測(cè)項(xiàng)目中，通過構(gòu)建合金組分-電子結(jié)構(gòu)特征矩陣，運(yùn)用隨機(jī)森林的變量重要性分析篩選關(guān)鍵描述符，結(jié)合Adaboost算法提升預(yù)測(cè)精度；在高熵合金相態(tài)分類任務(wù)中，基于原子半徑、電負(fù)性等特征，演示支持向量機(jī)如何通過核函數(shù)變換處理非線性可分?jǐn)?shù)據(jù)，并可視化決策超平面；同時(shí)拓展至生物炭材料回歸預(yù)測(cè)，利用支持向量回歸（SVR）分析孔隙率-吸附性能的定量關(guān)系。課程將結(jié)合Scikit-learn工具鏈，貫穿特征標(biāo)準(zhǔn)化、交叉驗(yàn)證、混淆矩陣評(píng)估等工業(yè)級(jí)實(shí)踐流程。

【理論內(nèi)容】

1.決策樹

1)決策樹的原理

2)決策樹的應(yīng)用

2.集成學(xué)習(xí)

1)集成學(xué)習(xí)的原理

2)集成學(xué)習(xí)的方法和應(yīng)用

3.樸素貝葉斯

1)樸素貝葉斯的原理

2)樸素貝葉斯的應(yīng)用

4.支持向量機(jī)

1)支持向量機(jī)的原理

2)支持向量機(jī)的應(yīng)用

【項(xiàng)目實(shí)操內(nèi)容】

1.利用集成學(xué)習(xí)預(yù)測(cè)雙金屬ORR催化劑活性【文章】

1)Sklearn中的集成學(xué)習(xí)算法

2)雙金屬ORR催化活性預(yù)測(cè)實(shí)戰(zhàn)

a)數(shù)據(jù)集準(zhǔn)備

b)特征篩選

c)模型訓(xùn)練

d)模型參數(shù)優(yōu)化

2.使用支持向量機(jī)預(yù)測(cè)高熵合金相態(tài)

1)支持向量機(jī)的可視化演示

a)繪制決策邊界

b)查看不同核函數(shù)的區(qū)別

2)支持向量機(jī)預(yù)測(cè)高熵合金相態(tài)（分類）

a)數(shù)據(jù)集準(zhǔn)備

b)數(shù)據(jù)預(yù)處理

c)特征工程

d)模型訓(xùn)練及預(yù)測(cè)

3)支持向量機(jī)預(yù)測(cè)生物炭材料廢水處理性能（回歸）

a)數(shù)據(jù)集準(zhǔn)備

b)數(shù)據(jù)預(yù)處理

c)模型訓(xùn)練及預(yù)測(cè)

第四天：材料無監(jiān)督學(xué)習(xí)與分子特征工程實(shí)踐

第四天將系統(tǒng)構(gòu)建材料數(shù)據(jù)表征體系與無監(jiān)督分析技術(shù)棧。分為如下幾個(gè)部分：首先解析無監(jiān)督學(xué)習(xí)的核心范式，對(duì)比K-Means聚類與DBSCAN密度聚類在材料相組成識(shí)別中的差異，詳解常用的無監(jiān)督學(xué)習(xí)技術(shù)在材料高通量篩選中的可視化應(yīng)用；接著深入探討材料特征工程的數(shù)學(xué)表達(dá)方法；最后結(jié)合Materials Project、COD等材料數(shù)據(jù)庫，演示通過Pymatgen工具包自動(dòng)化獲取晶體能帶結(jié)構(gòu)、彈性張量等關(guān)鍵性質(zhì)數(shù)據(jù)。

實(shí)戰(zhàn)環(huán)節(jié)聚焦材料多模態(tài)數(shù)據(jù)處理：在石墨烯樣品表征任務(wù)中，通過處理二維電鏡圖像，運(yùn)用無監(jiān)督聚類算法實(shí)現(xiàn)樣品質(zhì)量分級(jí)；針對(duì)高能材料分子性質(zhì)預(yù)測(cè)，構(gòu)建從SMILES字符串到3D分子坐標(biāo)的全流程特征工程：使用RDKit生成初始構(gòu)型，通過ASE優(yōu)化分子結(jié)構(gòu)，計(jì)算庫倫矩陣與原子極化張量作為量子化學(xué)特征，對(duì)比Morgan指紋與MACCS鍵合描述符對(duì)機(jī)器學(xué)習(xí)模型性能的影響。

【理論內(nèi)容】

1.無監(jiān)督學(xué)習(xí)

1)什么是無監(jiān)督學(xué)習(xí)

2)無監(jiān)督學(xué)習(xí)算法-聚類

3)無監(jiān)督學(xué)習(xí)算法-降維

2.材料與化學(xué)數(shù)據(jù)的特征工程

1)分子結(jié)構(gòu)表示

2)晶體結(jié)構(gòu)表示

3.數(shù)據(jù)庫

1)材料數(shù)據(jù)庫介紹

2)Pymatgen介紹

【項(xiàng)目實(shí)操內(nèi)容】

1.無監(jiān)督學(xué)習(xí)在材料表征中應(yīng)用

1)K-Means聚類算法

2)石墨烯樣品數(shù)據(jù)集準(zhǔn)備

3)二維電鏡圖像處理

4)聚類及統(tǒng)計(jì)

2.利用機(jī)器學(xué)習(xí)預(yù)測(cè)高能材料分子性質(zhì)

1)高能分子數(shù)據(jù)集準(zhǔn)備

2)從SMILES生成分子坐標(biāo)

3)從分子坐標(biāo)計(jì)算庫倫矩陣

4)測(cè)試不同分子指紋方法

5)比較不同特征化方法

6)模型性能評(píng)估

第五天：材料機(jī)器學(xué)習(xí)項(xiàng)目實(shí)踐專題

第五天將深度融合前沿模型技術(shù)與材料多尺度特性預(yù)測(cè)場(chǎng)景。分為如下幾個(gè)部分：首先系統(tǒng)解析大語言模型在材料研究中的創(chuàng)新應(yīng)用范式，重點(diǎn)講解DeepSeek的transformer架構(gòu)原理及其在材料文獻(xiàn)挖掘、實(shí)驗(yàn)方案生成等場(chǎng)景的提示詞工程技巧；接著深入探討更多的材料機(jī)器學(xué)習(xí)的常見技術(shù)路徑，比如通過決策樹的特征分裂可視化與SHAP值分析，揭示材料性能與微觀結(jié)構(gòu)的內(nèi)在關(guān)聯(lián)規(guī)律；最后為構(gòu)建深度學(xué)習(xí)技術(shù)棧打基礎(chǔ)，對(duì)比PyTorch動(dòng)態(tài)計(jì)算圖與Scikit-learn靜態(tài)架構(gòu)在復(fù)雜材料建模中的工程差異。

【項(xiàng)目實(shí)操內(nèi)容】

1. DeepSeek提示詞工程和落地場(chǎng)景

1)DeepSeek簡(jiǎn)介

2)大語言模型和DeepSeek原理

3)DeepSeek提示詞工程和落地場(chǎng)景

2.利用機(jī)器學(xué)習(xí)加速發(fā)現(xiàn)耐高溫氧化的合金材料

4)合金材料數(shù)據(jù)集準(zhǔn)備

5)數(shù)據(jù)預(yù)處理

6)特征構(gòu)建和特征分析

7)多種模型訓(xùn)練

8)使用訓(xùn)練好的模型進(jìn)行推理

3.決策樹（可解釋性機(jī)器學(xué)習(xí)）預(yù)測(cè)AB2合金的儲(chǔ)氫性能

1)儲(chǔ)氫合金材料數(shù)據(jù)集準(zhǔn)備

2)決策樹基本流程

3)動(dòng)手建立一棵樹

4)決策樹剪枝

5)決策過程可視化和特征重要性分析

6)分類決策樹和回歸決策樹的區(qū)別

4.分子滲透性分類預(yù)測(cè)

7)使用定量的1D分子描述符和不同的機(jī)器學(xué)習(xí)模型進(jìn)行QSAR模型的訓(xùn)練和預(yù)測(cè)

8)使用定性的2D分子描述符和不同的機(jī)器學(xué)習(xí)模型進(jìn)行QSAR模型的訓(xùn)練和預(yù)測(cè)

9)比較不同分子描述方法對(duì)QSAR模型性能的影響

5.多層感知機(jī)預(yù)測(cè)單晶合金晶格錯(cuò)配度

1)PyTorch與Scikit-learn中多層感知機(jī)的區(qū)別

2)使用PyTorch構(gòu)建多層感知機(jī)

3)訓(xùn)練PyTorch多層感知機(jī)模型預(yù)測(cè)單晶合金晶格錯(cuò)配度

上下滑動(dòng)查看完整大綱

02

專題二：深度學(xué)習(xí)材料疲勞與斷裂分析

專題目標(biāo)與講師介紹

課程目標(biāo)

課程首創(chuàng)三維能力培養(yǎng)框架：第一維度打通材料本構(gòu)理論（從晶體滑移到連續(xù)損傷）與深度學(xué)習(xí)基礎(chǔ)（ANN/CNN/Transformer）；第二維度建立物理約束的數(shù)學(xué)模型（PINN變體、守恒律嵌入技巧）；第三維度攻克跨尺度數(shù)據(jù)融合技術(shù)（微CT-聲發(fā)射-DIC異構(gòu)數(shù)據(jù)處理）。通過張量分解、注意力機(jī)制等前沿算法，實(shí)現(xiàn)從納觀位錯(cuò)演化到宏觀斷裂行為的智能關(guān)聯(lián)。Day1-2完成材料智能表征體系構(gòu)建，覆蓋本構(gòu)參數(shù)智能反演、合金性能預(yù)測(cè)等核心能力；Day3聚焦工程失效場(chǎng)景攻堅(jiān)：基于J積分的斷裂判據(jù)智能實(shí)現(xiàn)、多尺度GAN數(shù)據(jù)傳遞框架開發(fā)、蠕變/腐蝕/復(fù)合載荷耦合分析。所有模塊均配備工業(yè)級(jí)案例，包含單邊裂紋穩(wěn)定性診斷（COMSOL+PyTorch融合）、風(fēng)電葉片全場(chǎng)應(yīng)變重構(gòu)等企業(yè)剛需場(chǎng)景。通過體系化訓(xùn)練，學(xué)員將掌握：

①材料性能深度表征能力（物理約束的彈性/塑性/損傷參數(shù)識(shí)別）

②智能裂紋診斷技術(shù)（U-Net分割精度＞95%、ResNet階段分類）

③壽命預(yù)測(cè)工程部署（Paris-神經(jīng)網(wǎng)絡(luò)混合模型誤差＜8%）

④工業(yè)場(chǎng)景轉(zhuǎn)化技能（渦輪盤蠕變分析、風(fēng)電葉片數(shù)字孿生構(gòu)建）。

最終達(dá)成三大跨越：從傳統(tǒng)經(jīng)驗(yàn)公式到數(shù)據(jù)驅(qū)動(dòng)的分析范式升級(jí)，從單點(diǎn)預(yù)測(cè)到全壽命周期監(jiān)控的能力拓展，從實(shí)驗(yàn)室模型到工程系統(tǒng)的落地部署。

技術(shù)方向

代表性文獻(xiàn)

跨尺度建模

Zhang et al. Accelerated multiscale fatigue prediction via CP-GNN, Nat Mater 2021

物理信息學(xué)習(xí)

Guo et al. VPINN for thermo-mechanical fatigue analysis, CMAME 2022

數(shù)據(jù)生成

Yang et al. F-GAN for corrosion fatigue, Acta Mater 2023

工程應(yīng)用挑戰(zhàn)

Hsu et al. Certification challenges of DL-based fracture models, Eng Fract Mech 2023

深度學(xué)習(xí)材料性能與斷裂疲勞預(yù)測(cè)主講老師：來自中國TOP1高校，在國內(nèi)頂尖教授組中從事材料領(lǐng)域研究，光學(xué)聲學(xué)材料物理方向，在機(jī)器學(xué)習(xí)深度學(xué)習(xí)輔助的材料設(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)。以第一作者或通訊作者在AM，AFM、ACS nano、JMR，ES等行業(yè)頂級(jí)期刊發(fā)表論文二十余篇，參與過多項(xiàng)國家級(jí)項(xiàng)目，擔(dān)任JMR、APl等多個(gè)雜志的審稿人。

深度學(xué)習(xí)材料性能與斷裂疲勞預(yù)測(cè)專題大綱

Day 1：材料性能表征與深度學(xué)習(xí)基礎(chǔ)

深入解析材料力學(xué)基本概念，并搭建深度學(xué)習(xí)框架，為后續(xù)斷裂與疲勞分析奠定基礎(chǔ)。

【理論部分】

1、材料性能基礎(chǔ)理論

• 彈性、塑性與損傷本構(gòu)模型

• 胡克定律與非線性本構(gòu)關(guān)系

• 多場(chǎng)耦合下的材料響應(yīng)

2、深度學(xué)習(xí)核心概念

• 神經(jīng)網(wǎng)絡(luò)架構(gòu)：ANN、CNN、RNN

• 反向傳播算法與常用優(yōu)化器（SGD、Adam）

• 物理信息神經(jīng)網(wǎng)絡(luò)（PINN）原理

3、數(shù)據(jù)獲取與預(yù)處理

• Workbench仿真獲取應(yīng)力–應(yīng)變曲線

• 傳感器與數(shù)字圖像相關(guān)（DIC）數(shù)據(jù)處理

• 數(shù)據(jù)增強(qiáng)與歸一化技術(shù)

【實(shí)操案例】

Python 案例案例1：材料本構(gòu)參數(shù)識(shí)別

• PyTorch 環(huán)境搭建

• 構(gòu)建 PINN 模型并定義損失函數(shù)

• 訓(xùn)練與驗(yàn)證：識(shí)別彈性與塑性參數(shù)

Python 案例案例2：合金性能預(yù)測(cè)

• 通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)不同合金成分的力學(xué)性能（如硬度、強(qiáng)度、延展性等）

• 數(shù)據(jù)集可以包含各種合金的成分及其實(shí)驗(yàn)測(cè)試結(jié)果

Python 案例3：疲勞壽命預(yù)測(cè)

• 搭建 U-Net 裂紋分割模型

• 基于 Paris 法則與深度特征的壽命預(yù)測(cè)網(wǎng)絡(luò)

• 端到端訓(xùn)練與結(jié)果可視化

Python 案例4：材料的裂紋檢測(cè)

• 使用CNN

• 分析材料圖像中的裂紋、缺陷等不連續(xù)性，

Day 2：斷裂力學(xué)與疲勞壽命預(yù)測(cè)

圍繞裂紋萌生、擴(kuò)展機(jī)理與壽命評(píng)估，結(jié)合深度學(xué)習(xí)算法，實(shí)現(xiàn)智能化分析。

【理論部分】

1、斷裂力學(xué)基礎(chǔ)

• 應(yīng)力強(qiáng)度因子 K 計(jì)算方法（線性彈性與 J 積分）

• 裂尖應(yīng)力場(chǎng)與局部塑性化

2、疲勞裂紋擴(kuò)展理論

• Paris 法則、Forman 準(zhǔn)則與多段加載

• 概率模型：Weibull 分布與蒙特卡洛模擬

3、智能裂紋檢測(cè)與分類

• 裂紋圖像處理與特征提取

• U-Net 網(wǎng)絡(luò)在裂紋分割中的應(yīng)用

• ResNet 網(wǎng)絡(luò)進(jìn)行裂紋階段分類

4、多物理場(chǎng)耦合分析

• 腐蝕疲勞基本理論

• 遷移學(xué)習(xí)提升泛化能力

【實(shí)操案例】

Python 案例5：預(yù)測(cè)材料硬度

• 使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)不同材料（如鋼鐵、鋁合金、陶瓷等）的硬度。

• 數(shù)據(jù)集包含材料的元素組成、晶格結(jié)構(gòu)、加工方式等特征。

Python 補(bǔ)充案例：穿孔板的脆性斷裂：使用相場(chǎng)損傷模型，研究具有混合模式裂紋的穿孔板斷裂行為，建立幾何模型并與實(shí)驗(yàn)數(shù)據(jù)對(duì)比，展示穩(wěn)定求解器配置方法。

補(bǔ)充案例2：混凝土塑性損傷試驗(yàn)：研究混凝土材料在不同載荷路徑下的斷裂行為，驗(yàn)證損傷-塑性本構(gòu)模型的有效性。

Day 3：高性能材料疲勞斷裂綜合案例與前沿技術(shù)

【綜合案例】

案例6：?jiǎn)芜吜鸭y計(jì)算

• 基于J 積分計(jì)算應(yīng)力強(qiáng)度因子 KI

• 結(jié)合comsol進(jìn)行深度學(xué)習(xí)，與材料臨界韌度KIc 比較以判斷斷裂風(fēng)險(xiǎn)，演示拉伸載荷下裂紋穩(wěn)定性分析。

綜合案例7：多尺度疲勞分析方法

• 宏–微觀數(shù)據(jù)傳遞的 GAN 架構(gòu)

• 跨尺度仿真工作流設(shè)計(jì)

綜合案例8： 工程應(yīng)用案例

• 渦輪靜葉片蠕變變形分析：研究高溫環(huán)境下的蠕變行為，分析溫度場(chǎng)對(duì)應(yīng)力松弛和變形的控制機(jī)制。

• 帶角裂紋的板NAFEMS 基準(zhǔn)案例：通過多角度裂紋分析 KI 和 KII，應(yīng)力場(chǎng)分布對(duì)斷裂類型影響，驗(yàn)證仿真模型與標(biāo)準(zhǔn)數(shù)據(jù)的一致性。

• 混凝土梁耦合損傷-塑性模型：模擬鋼筋混凝土結(jié)構(gòu)在復(fù)合載荷下的失效過程，整合材料非線性滑移和界面作用模型。

• 單軸拉伸中的脆性損傷：比較不同離散階次和正則化方法在脆性材料變形局部化過程中的表現(xiàn)，深入理解脆性斷裂數(shù)值處理。

上下滑動(dòng)查看完整大綱

03

專題三：機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)

學(xué)習(xí)目標(biāo)與講師介紹

課程目標(biāo)

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)本次“機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)專題研修班”旨在幫助學(xué)員系統(tǒng)掌握AI4Science時(shí)代下機(jī)器學(xué)習(xí)力場(chǎng)的核心理論與實(shí)踐技能。通過為期五天的強(qiáng)化學(xué)習(xí)，學(xué)員將能夠：

1.快速認(rèn)知：量子化學(xué)計(jì)算在ML-FF數(shù)據(jù)生產(chǎn)中的角色與基本操作。

2.入門和理解：機(jī)器學(xué)習(xí)的基本原理、神經(jīng)網(wǎng)絡(luò)核心概念及其在分子模擬中的應(yīng)用。

3.熟練運(yùn)用：LAMMPS分子動(dòng)力學(xué)模擬軟件進(jìn)行傳統(tǒng)模擬與ML-FF驅(qū)動(dòng)的模擬。

4.精通掌握：以DeePMD-kit系列和MACE為代表的先進(jìn)機(jī)器學(xué)習(xí)力場(chǎng)模型的理論、構(gòu)建、訓(xùn)練與驗(yàn)證方法。

5.深入了解：NequIP、Allegro等具有超高數(shù)據(jù)效率的等變模型，理解其核心思想與優(yōu)勢(shì)，從而顯著減輕高昂的數(shù)據(jù)生產(chǎn)成本。

6.掌握運(yùn)用：機(jī)器學(xué)習(xí)力場(chǎng)領(lǐng)域的“ChatGPT”產(chǎn)品——開箱即用、免費(fèi)開源的通用大模型（如MACE-OFF23, MACE-MP0, DPA系列）及其微調(diào)技巧。

7.實(shí)踐操作：課程將附帶大量相關(guān)代碼與示例腳本，確保學(xué)員通過實(shí)操提升解決實(shí)際科研問題的能力。

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)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(dòng)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(cè)等方面有深入研究。他的授課方式淺顯易懂，特別擅長從簡(jiǎn)單角度出發(fā)，逐漸深入講解復(fù)雜的理論知識(shí)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。

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)專題大綱

第一天：AI4Science時(shí)代的分子模擬基石

1.理論內(nèi)容

1.1 AI for Science與分子模擬新范式

1.1.1 科學(xué)研究的四范式演進(jìn)：從實(shí)驗(yàn)、理論、計(jì)算到數(shù)據(jù)驅(qū)動(dòng)

1.1.2 AI for Science (AI4Science) 時(shí)代的核心理念與機(jī)遇

1.1.3 分子動(dòng)力學(xué)模擬在AI4Science中的角色：從傳統(tǒng)經(jīng)驗(yàn)力場(chǎng)、第一性原理到機(jī)器學(xué)習(xí)力場(chǎng)的跨越

1.2 機(jī)器學(xué)習(xí)力場(chǎng)（ML-FFs）概覽

1.2.1 ML-FFs的核心優(yōu)勢(shì)：兼顧第一性原理精度與經(jīng)驗(yàn)力場(chǎng)效率

1.2.2 ML-FFs的基本工作流程：數(shù)據(jù)生成、模型訓(xùn)練、模型驗(yàn)證、應(yīng)用模擬

1.2.3 ML-FFs的主要分類、發(fā)展歷程及關(guān)鍵里程碑

1.3 分子動(dòng)力學(xué)（MD）模擬基礎(chǔ)回顧

1.3.1 MD模擬基本原理：系綜、積分算法、周期性邊界條件、力場(chǎng)

1.3.2 LAMMPS模擬軟件介紹：架構(gòu)、安裝、基本使用

1.3.3 LAMMPS輸入文件（in script）結(jié)構(gòu)解析：?jiǎn)挝�、原子類型、力�?chǎng)參數(shù)、模擬指令

1.3.4 常見傳統(tǒng)力場(chǎng)（如EAM, Lennard-Jones, GAFF）簡(jiǎn)介及其參數(shù)獲取

1.4 第一性原理（AIMD）數(shù)據(jù)生成引言

1.4.1 為何需要第一性原理數(shù)據(jù)：ML-FF的數(shù)據(jù)來源

1.4.2 常用量子化學(xué)計(jì)算軟件簡(jiǎn)介（CP2K, VASP, ORCA）：在ML-FF數(shù)據(jù)生成中的作用（概念性介紹）

1.4.3 簡(jiǎn)介XTB等半經(jīng)驗(yàn)方法作為快速數(shù)據(jù)生成的選項(xiàng)

2.實(shí)操內(nèi)容

2.1 科研計(jì)算環(huán)境搭建與基礎(chǔ)操作

2.1.1 Linux系統(tǒng)常用命令與Shell腳本入門

2.1.2 HPC超算平臺(tái)使用簡(jiǎn)介：作業(yè)提交、隊(duì)列管理

2.1.3 Python (Jupyter Notebook/VSCode) 科研環(huán)境配置：Anaconda/Mamba虛擬環(huán)境管理

2.2 經(jīng)典MD模擬與數(shù)據(jù)分析入門

2.2.1 使用LAMMPS運(yùn)行簡(jiǎn)單體系（如金屬、簡(jiǎn)單有機(jī)分子）的經(jīng)典MD模擬

2.2.2 MD軌跡數(shù)據(jù)（dump, log）的基本解讀

2.2.3 使用OVITO/VMD進(jìn)行軌跡可視化

2.2.4 使用Python (MDAnalysis/MDTraj) 進(jìn)行初步后處理：如能量、溫度、壓力曲線繪制識(shí)

第二天：深入DeePMD-kit：從理論到實(shí)踐

理論內(nèi)容

1.1 機(jī)器學(xué)習(xí)入門與神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

1.1.1 機(jī)器學(xué)習(xí)核心概念：監(jiān)督學(xué)習(xí)、損失函數(shù)、梯度下降、過擬合/欠擬合

1.1.2 神經(jīng)網(wǎng)絡(luò)：神經(jīng)元、激活函數(shù)、全連接層、反向傳播

1.1.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、Transformer等基本框架簡(jiǎn)介

1.2 DeePMD-kit模型詳解

1.2.1 基于描述符的ML-FF回顧：Behler-Parrinello神經(jīng)網(wǎng)絡(luò)（BPNN）

1.2.2 DeePMD模型架構(gòu)：特征工程（Descriptor - Smooth Edition, SE）與擬合網(wǎng)絡(luò)

1.2.3 DeePMD的各種描述符（se_e2_a, se_e2_r, se_e3）特點(diǎn)與選擇

1.3 DeePMD-kit模型訓(xùn)練與優(yōu)化

1.3.1 輸入腳本（input.json）詳解：模型參數(shù)、訓(xùn)練參數(shù)、學(xué)習(xí)率策略

1.3.2 訓(xùn)練過程監(jiān)控：loss曲線分析、模型驗(yàn)證

1.3.3 模型凍結(jié)（freezing）、壓縮（compression）原理與應(yīng)用

1.3.4 常見訓(xùn)練問題與調(diào)試技巧

1.4 DP-GEN：多任務(wù)、高效率主動(dòng)學(xué)習(xí)數(shù)據(jù)生成

1.4.1 主動(dòng)學(xué)習(xí)（Active Learning）在ML-FF中的應(yīng)用

1.4.2 DP-GEN工作流程：exploration, labeling, training, selection

1.4.3 DP-GEN的輸入（param.json, machine.json）與輸出文件詳解

2.實(shí)操內(nèi)容

2.1 DeePMD-kit環(huán)境配置與數(shù)據(jù)準(zhǔn)備

2.1.1 DeePMD-kit的安裝（CPU/GPU版本）與依賴（TensorFlow）

2.1.2 訓(xùn)練數(shù)據(jù)的格式與預(yù)處理：能量、力、virial的組織

2.1.3 使用工具將第一性原理計(jì)算輸出轉(zhuǎn)換為DeePMD訓(xùn)練格式

2.2 DeePMD-kit模型訓(xùn)練、測(cè)試及LAMMPS聯(lián)用

2.2.1 訓(xùn)練一個(gè)簡(jiǎn)單的DeePMD模型（提供示例數(shù)據(jù)集）

2.2.2 模型測(cè)試：力、能量的精度評(píng)估與誤差分析

2.2.3 將訓(xùn)練好的DeePMD模型（.pb文件）與LAMMPS聯(lián)用進(jìn)行MD模擬

2.2.4 DP-GEN的基本配置與運(yùn)行演示

第三天：等變神經(jīng)網(wǎng)絡(luò)力場(chǎng)：NequIP與Allegro

理論內(nèi)容

1.1 圖神經(jīng)網(wǎng)絡(luò)（GNN）與分子表示

1.1.1 圖的基本概念與在分子系統(tǒng)中的應(yīng)用

1.1.2 消息傳遞神經(jīng)網(wǎng)絡(luò)（MPNN）框架

1.1.3 早期基于GNN的力場(chǎng)模型簡(jiǎn)介（如SchNet）

1.2 等變性（Equivariance）在ML-FF中的核心作用

1.2.1 不變性（Invariance）與等變性（Equivariance）辨析

1.2.2 旋轉(zhuǎn)、平移、置換對(duì)稱性在物理系統(tǒng)中的重要性

1.2.3 SO(3)/E(3)等變性對(duì)數(shù)據(jù)效率和泛化能力的提升

1.2.4 球諧函數(shù)與張量積在構(gòu)建等變特征中的應(yīng)用簡(jiǎn)介

1.3 NequIP模型詳解

1.3.1 NequIP (E(3)-Equivariant Neural Network for Interatomic Potentials) 架構(gòu)

1.3.2 核心組件：等變卷積、張量積的運(yùn)用

1.3.3 NequIP的優(yōu)勢(shì)、局限性及代碼框架

1.4 Allegro模型詳解

1.4.1 NequIP團(tuán)隊(duì)的后續(xù)工作：Allegro的動(dòng)機(jī)與改進(jìn)

1.4.2 基于張量積的局部環(huán)境描述符與迭代更新

1.4.3 Allegro在計(jì)算效率和可擴(kuò)展性上的提升

2.實(shí)操內(nèi)容

2.1 等變性概念的直觀理解與可視化

2.1.1 Python代碼示例：可視化旋轉(zhuǎn)操作對(duì)等變/不變特征的影響

2.1.2 E3NN庫的簡(jiǎn)單介紹與使用示例

2.2 NequIP/Allegro模型的初步使用

2.2.1 NequIP/Allegro軟件安裝與環(huán)境配置

2.2.2 使用預(yù)訓(xùn)練模型進(jìn)行預(yù)測(cè)或運(yùn)行示例訓(xùn)練

2.2.3 超參數(shù)文件（YAML格式）解讀與初步調(diào)整

第四天：MACE模型：精度、效率與可解釋性的探索

理論內(nèi)容

1.1 原子團(tuán)簇展開（ACE）方法回顧

1.1.1 ACE作為一種系統(tǒng)性的、完備的原子環(huán)境描述方法

1.1.2 其與傳統(tǒng)描述符和圖方法的聯(lián)系與區(qū)別

1.2 MACE (Multi-ACE) 模型詳解

1.2.1 MACE模型架構(gòu)：結(jié)合ACE的高階身體項(xiàng)與消息傳遞框架

1.2.2 等變性在MACE中的實(shí)現(xiàn)方式

1.2.3 MACE模型的完備性、數(shù)據(jù)效率和計(jì)算效率分析

1.2.4 MACE在不同體系（有機(jī)分子、材料、生物大分子）中的應(yīng)用案例

1.3 MACE模型訓(xùn)練與超參數(shù)調(diào)優(yōu)

1.3.1 MACE訓(xùn)練腳本與關(guān)鍵超參數(shù)解讀（如r_max, num_interactions, correlation order, hidden_irreps）

1.3.2 訓(xùn)練技巧、收斂性判斷與模型驗(yàn)證策略

1.3.3 MACE與DeePMD在數(shù)據(jù)效率、精度、計(jì)算成本上的對(duì)比討論

1.4 Mattersim平臺(tái)與相關(guān)工具生態(tài)

1.4.1 Mattersim作為支持MACE等模型開發(fā)與應(yīng)用的平臺(tái)/工具集介紹

1.4.2 Libtorch在MACE與LAMMPS/其他MD引擎接口中的作用與編譯

1.4.3 將訓(xùn)練好的MACE模型導(dǎo)出為TorchScript格式，以便在LAMMPS等軟件中使用

2.實(shí)操內(nèi)容

2.1 MACE環(huán)境配置與數(shù)據(jù)準(zhǔn)備

2.1.1 MACE軟件安裝與依賴（PyTorch, e3nn）

2.1.2 訓(xùn)練數(shù)據(jù)格式要求（如ASE Atoms對(duì)象）

2.1.3 將常見數(shù)據(jù)格式轉(zhuǎn)換為MACE訓(xùn)練所需格式

2.2 MACE模型訓(xùn)練與LAMMPS聯(lián)用

2.2.1 運(yùn)行MACE提供的示例訓(xùn)練腳本，分析訓(xùn)練日志與輸出

2.2.2編譯LAMMPS使其支持TorchScript模型接口

2.2.3 使用訓(xùn)練好的MACE模型通過LAMMPS進(jìn)行分子動(dòng)力學(xué)模擬

第五天：通用大模型、微調(diào)技巧與前沿展望

理論內(nèi)容

1.1 ML-FF領(lǐng)域的預(yù)訓(xùn)練大模型

1.1.1 “機(jī)器學(xué)習(xí)力場(chǎng)領(lǐng)域的ChatGPT”：通用大模型的概念與意義

1.1.2 MACE-OFF23：針對(duì)有機(jī)分子體系的通用力場(chǎng)詳解

1.1.3 MACE-MP0：覆蓋元素周期表大部分元素的材料領(lǐng)域通用力場(chǎng)詳解

1.1.4 DPA-1 (Deep Potential Alchemy) / DPA-2：及其在跨體系、跨元素泛化方面的努力

1.1.5 其他開源大模型簡(jiǎn)介與獲取渠道（如CHGNet等）

1.2 大模型的微調(diào)（Fine-tuning）策略與技巧

1.2.1 為何需要微調(diào)：提升在特定體系或性質(zhì)上的表現(xiàn)

1.2.2 微調(diào)的數(shù)據(jù)準(zhǔn)備、參數(shù)設(shè)置與常見技巧

1.3 高級(jí)應(yīng)用與專題

1.3.1 多GPU并行訓(xùn)練ML-FFs的策略與實(shí)踐（DeePMD, MACE）

1.3.2 ML-FFs在復(fù)雜體系（如合金、催化、電池材料、生物大分子）中的應(yīng)用案例

1.3.3 分子模擬結(jié)果的高級(jí)后處理與分析：徑向分布函數(shù)(RDF)、角分布函數(shù)(ADF)、擴(kuò)散系數(shù)(MSD)等

1.3.4 使用Python進(jìn)行高質(zhì)量科研繪圖（Matplotlib, Seaborn）

1.4 ML-FFs的挑戰(zhàn)與未來展望

1.4.1 當(dāng)前ML-FFs面臨的挑戰(zhàn)：長程相互作用、反應(yīng)模擬、可解釋性、數(shù)據(jù)稀疏區(qū)域的泛化等

1.4.2 結(jié)合多尺度建模、強(qiáng)化學(xué)習(xí)、AI生成模型等方向的未來趨勢(shì)

2.實(shí)操內(nèi)容

2.1 使用與微調(diào)預(yù)訓(xùn)練MACE模型

2.1.1 下載并使用MACE-OFF23/MACE-MP0進(jìn)行特定體系的能量/力預(yù)測(cè)

2.1.2演示對(duì)預(yù)訓(xùn)練MACE模型進(jìn)行微調(diào)的過程

2.1.3 對(duì)比微調(diào)前后模型在特定任務(wù)上的表現(xiàn)

2.2 模擬結(jié)果分析與繪圖

2.2.1 使用MDAnalysis等工具分析LAMMPS+MLFF模擬軌跡

上下滑動(dòng)查看完整大綱

04

專題四：深度學(xué)習(xí)第一性原理

學(xué)習(xí)目標(biāo)與講師介紹

課程目標(biāo)

1.深化學(xué)習(xí)理論基礎(chǔ)：掌握薛定諤方程、DFT原理及交換-相關(guān)泛函的影響機(jī)制

2.熟練掌握計(jì)算技能：完成材料建�！Y(jié)構(gòu)優(yōu)化→電子結(jié)構(gòu)計(jì)算全流程，優(yōu)化平面波基組參數(shù)

3.材料特征工程學(xué)習(xí)：構(gòu)建二維材料拓?fù)?光譜特征，開發(fā)材料性能預(yù)測(cè)模型（如催化劑、硬度）

4.掌握神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)融合方法：搭建CGCNN網(wǎng)絡(luò)，實(shí)現(xiàn)分子動(dòng)力學(xué)軌跡分析及材料屬性預(yù)測(cè)

5.掌握綜合應(yīng)用實(shí)例：研究多物理場(chǎng)耦合（楊氏模量、熱導(dǎo)率、超導(dǎo)材料）及缺陷體系（螺位錯(cuò)、薄膜生長）

6.掌握計(jì)算工具：Python（NumPy/Pandas/scikit-learn/tensor-flow）、pymatgen、機(jī)器與深度學(xué)習(xí)框架

深度學(xué)習(xí)第一性原理主講老師：來自中國頂尖高校，在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法與材料物理模擬領(lǐng)域擁有豐富的研究與教學(xué)經(jīng)驗(yàn)，專注于深度學(xué)習(xí)算法優(yōu)化、第一性原理計(jì)算與超導(dǎo)材料研究。多年來致力于運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)推動(dòng)材料設(shè)計(jì)與性能優(yōu)化，特別是在機(jī)器學(xué)習(xí)算法、二維材料及其同位素材料深度學(xué)習(xí)第一性原理模擬及超導(dǎo)材料物理方向取得了卓越成果。以第一作者或通訊作者身份在 Advanced Materials、Advanced Functional Materials、ACS Nano、Nano Letters 和 Physical Review B 等頂級(jí)期刊發(fā)表論文二十余篇。

深度學(xué)習(xí)第一性原理專題大綱

第一天：基礎(chǔ)理論與環(huán)境搭建

上午 理論模塊

量子力學(xué)在材料科學(xué)中的基石作用

? 薛定諤方程的物理意義與計(jì)算挑戰(zhàn)，量子力學(xué)固體物理超導(dǎo)物理的基本架構(gòu)

? Hohenberg-Kohn定理：從波函數(shù)到電子密度

? Kohn-Sham方程的降維革命

? 深度學(xué)習(xí)第一性原理文獻(xiàn)綜述

下午 實(shí)操模塊

Python的基本語法：縮進(jìn)，注釋，變量命名規(guī)則。

數(shù)據(jù)類型詳解：整數(shù)，浮點(diǎn)數(shù)，字符串，布爾值。

序列類型：列表，元組，集合的操作與區(qū)別。

映射類型：字典的創(chuàng)建，訪問與修改。

條件語句：if－elif－else 的使用場(chǎng)景與邏輯判斷。

循環(huán)語句：for 循環(huán)與 while 循環(huán)的語法與應(yīng)用。

循環(huán)控制：break，continue，pass 語句的作用與使用場(chǎng)景。

自定義函數(shù)：函數(shù)的定義，參數(shù)傳遞，返回值。

模塊的導(dǎo)入與使用：標(biāo)準(zhǔn)庫與第三方庫的調(diào)用。

類與對(duì)象的基本概念：封裝，繼承，多態(tài)。

類的定義與實(shí)例化：屬性與方法的使用。

面向?qū)ο蟮脑O(shè)計(jì)思想：如何通過類組織代碼結(jié)構(gòu)。

NumPy 數(shù)組的創(chuàng)建與操作：數(shù)組的形狀，索引，切片。

數(shù)學(xué)運(yùn)算：矩陣運(yùn)算，統(tǒng)計(jì)函數(shù)，隨機(jī)數(shù)生成。

示例應(yīng)用：數(shù)據(jù)標(biāo)準(zhǔn)化，矩陣變換等。

Pandas：數(shù)據(jù)分析利器

數(shù)據(jù)結(jié)構(gòu)：Series 與 DataFrame 的創(chuàng)建與操作。

數(shù)據(jù)處理：數(shù)據(jù)清洗，篩選，分組，聚合。

數(shù)據(jù)讀寫：CSV，Excel 文件的讀取與保存。

案例1：材料數(shù)據(jù)的預(yù)處理與分析。

案例2：識(shí)別圖片，對(duì)材料進(jìn)行分類識(shí)別檢測(cè)。

案例3：二維材料的性能提取

第二天：第一性原理計(jì)算核心技能

上午 理論模塊講解

1.第一性原理計(jì)算：薛定諤方程、波函數(shù)與電子狀態(tài)、Hohenberg-Kohn 定理、

Kohn-Sham 方程、交換-相關(guān)泛函、晶格的周期性、平面波與平面波基組的python實(shí)現(xiàn)。

2.平面波基組優(yōu)化策略

3.案例4：構(gòu)建石墨烯結(jié)構(gòu)：進(jìn)行第一性原理計(jì)算，對(duì)結(jié)構(gòu)進(jìn)行微擾建模。

下午實(shí)戰(zhàn)模塊

1.案例5：異質(zhì)結(jié)形成能計(jì)算

2.案例6：石墨烯能帶結(jié)構(gòu)可視化

3.案例7：使用Python 實(shí)現(xiàn)批量計(jì)算任務(wù)的生成與提交。

4.案例8：高效計(jì)算流程：并行計(jì)算、分布式計(jì)算的優(yōu)化。

5.案例9：結(jié)構(gòu)優(yōu)化結(jié)果分析：能量、晶格參數(shù)、原子位置的收斂性。

6.案例10：COF材料結(jié)構(gòu)、力學(xué)性質(zhì)、熱學(xué)性質(zhì)的計(jì)算與分析。

7.專題研究：使用Matplotlib 繪制能帶圖、態(tài)密度圖等。

第三天：高通量計(jì)算與特征工程

上午 實(shí)戰(zhàn)模塊

1.自動(dòng)化腳本開發(fā)：pymatgen 的功能與應(yīng)用場(chǎng)景：從材料結(jié)構(gòu)到計(jì)算文件的生成。

2.材料項(xiàng)目（Materials Project）數(shù)據(jù)庫的訪問與數(shù)據(jù)提取。

3.使用pymatgen 獲取晶體結(jié)構(gòu)：通過材料 ID 或化學(xué)式查詢。

4.批量下載結(jié)構(gòu)數(shù)據(jù)：自動(dòng)化腳本編寫與數(shù)據(jù)管理。

5.案例11：二氧化碳還原反應(yīng)的催化劑設(shè)計(jì)、選擇與催化劑性能相關(guān)的特征（如電子結(jié)構(gòu)、表面性質(zhì)等）、使用Scikit-Learn 搭建線性回歸、決策樹等模型、通過交叉驗(yàn)證評(píng)估模型的預(yù)測(cè)性能、用機(jī)器學(xué)習(xí)預(yù)測(cè)二氧化碳還原催化劑的少特征模型

6.案例12：異質(zhì)結(jié)材料模型結(jié)構(gòu)優(yōu)化

7.案例13：材料硬度計(jì)算與預(yù)測(cè)

下午理論+實(shí)戰(zhàn)

1.特征工程深度解析：

? 拓?fù)涮卣魈崛。y點(diǎn)案例：超導(dǎo) Kitaev鏈，超導(dǎo)性能預(yù)測(cè)）

? 光譜特征生成（吸收/拉曼光譜案例）

2.案例14：GaAs光學(xué)結(jié)構(gòu)模擬（案例GaAs optical）

3.案例15：常見二維材料的性能第一性原理計(jì)算與模擬：MoS2等，二維材料第一性原理計(jì)算范式

第四天：深度學(xué)習(xí)與分子動(dòng)力學(xué)

上午 理論模塊

1.神經(jīng)網(wǎng)絡(luò)詳解

? 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論以及實(shí)現(xiàn)基本的CNN、GNN

? 晶體圖卷積網(wǎng)絡(luò)（CGCNN）

? 材料屬性預(yù)測(cè)的端到端學(xué)習(xí)

2.常見神經(jīng)網(wǎng)絡(luò)框架結(jié)構(gòu)搭建、tensor flow詳解以及深度學(xué)習(xí)-機(jī)器學(xué)習(xí)綜合應(yīng)用詳解。

下午實(shí)戰(zhàn)模塊

1.案例16：拓?fù)涑瑢?dǎo)體模擬（詳解+難點(diǎn)）

2.案例17：水分子動(dòng)力學(xué)（AIMD軌跡分析）

第五天：綜合應(yīng)用與前沿探索

上午理論+實(shí)戰(zhàn)

1.機(jī)器學(xué)習(xí)勢(shì)場(chǎng)開發(fā)：利用機(jī)器學(xué)習(xí)方法構(gòu)建高精度原子間勢(shì)函數(shù)，替代傳統(tǒng)經(jīng)驗(yàn)勢(shì)場(chǎng)，提升分子動(dòng)力學(xué)模擬效率與準(zhǔn)確性。

2.案例18：楊氏模量計(jì)算：通過應(yīng)變-能量關(guān)系或應(yīng)力-應(yīng)變曲線，模擬材料在彈性變形下的剛度特性，評(píng)估力學(xué)性能。

3.案例19：相變材料的計(jì)算與預(yù)測(cè)：結(jié)合分子動(dòng)力學(xué)或第一性原理，研究溫度/壓力誘導(dǎo)的相變行為，預(yù)測(cè)新材料相圖。

下午終極挑戰(zhàn)

1.案例20：熱電材料性能優(yōu)化（量子阱GaAs案例）：通過能帶工程和缺陷調(diào)控，優(yōu)化GaAs量子阱結(jié)構(gòu)的熱電轉(zhuǎn)換效率。

2.案例21：螺位錯(cuò)的第一性原理-相場(chǎng)方法生成與模擬：模擬晶體中螺位錯(cuò)的運(yùn)動(dòng)與相互作用，揭示其對(duì)材料塑性變形的影響機(jī)制。

3.案例22：CVD、薄膜生長合成材料的第一性原理計(jì)算與模擬建模：模擬化學(xué)氣相沉積過程，預(yù)測(cè)薄膜生長動(dòng)力學(xué)與微觀結(jié)構(gòu)演化。

4.案例23：熱導(dǎo)率計(jì)算：基于Green-Kubo公式或非平衡分子動(dòng)力學(xué)，結(jié)合機(jī)器學(xué)習(xí)勢(shì)場(chǎng)，高效計(jì)算材料熱輸運(yùn)性質(zhì)。

上下滑動(dòng)查看完整大綱

往期學(xué)員反饋

課程模式

1、線上授課時(shí)間和地點(diǎn)自由，建立專業(yè)課程群進(jìn)行實(shí)時(shí)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、電解質(zhì)、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(zèng)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(dòng)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(huì)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）

專題時(shí)間

人工智能輔助材料設(shè)計(jì)

2025.8.19-----2025.8.22 （晚上19:00-22:00)

2025.8.23-----2025.8.24 （上午09:00-11:30 下午13:30-17:00）2025.8.26-----2025.8.27 （晚上19:00-22:00）

騰訊會(huì)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)材料性能與疲勞斷裂預(yù)測(cè)

2025.09.06（上午 9.00-11.30 下午 13.30-17.00）

2025.09.07（上午 9.00-11.30 下午 13.30-17.00）

2025.09.13（上午 9.00-11.30 下午 13.30-17.00）

騰訊會(huì)議 線上授課（共三天課程 提供全程視頻回放和課程群答疑）

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)

2025.8.16-----2025.8.17 (上午9:00-11:30下午13:30-17:00)

2025.8.21-----2025.8.22 (晚上19:00-22:00)

2025.8.23-----2025.8.24 (上午9:00-11:30下午13:30-17:00)

騰訊會(huì)議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

深度學(xué)習(xí)第一性原理專題

2025.8.23-----2025.8.24 (上午9:00-11:30下午13:30-17:00)

2025.8.28-----2025.8.29 (晚上19:00-22:00)

2025.8.30-----2025.8.31 (上午9:00-11:30下午13:30-17:00)

騰訊會(huì)議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

專題費(fèi)用

專題名稱

專題費(fèi)用

人工智能輔助材料設(shè)計(jì)

4980

深度學(xué)習(xí)材料性能與疲勞斷裂預(yù)測(cè)

2980

機(jī)器學(xué)習(xí)分子動(dòng)力學(xué)

4980

深度學(xué)習(xí)第一性原理

4980

以上費(fèi)用包含：

1.課程回放無限次觀看

2.學(xué)員答疑群（永久答疑）

3.免費(fèi)參加后續(xù)一期本專題內(nèi)容

4.課程全部資料（軟件，PPT，文件等）

優(yōu)惠活動(dòng)：

優(yōu)惠1：報(bào)名成功后轉(zhuǎn)發(fā)朋友圈或50人以上群聊即可優(yōu)惠300元

優(yōu)惠2：報(bào)二贈(zèng)一同時(shí)報(bào)兩個(gè)專題價(jià)格為9080元（免費(fèi)贈(zèng)送一個(gè)專題，贈(zèng)送專題任選）

同時(shí)報(bào)三個(gè)專題價(jià)格為12880元

參加一年專題課程價(jià)格為16880元（可免費(fèi)學(xué)習(xí)一整年本單位舉辦的任意專題）

報(bào)名費(fèi)用可開具正規(guī)報(bào)銷發(fā)票及提供相關(guān)繳費(fèi)證明、邀請(qǐng)函，可提前開具報(bào)銷發(fā)票、文件用于報(bào)銷

報(bào)名咨詢方式

聯(lián)系人｜王老師

咨詢電話｜17654576050（微信同號(hào)）