创世界首例！连发三篇Nature！成功打破固态电解质领域多年难题，研究迎来里突破性进展！- 大数跨境

首页

创世界首例！连发三篇Nature！成功打破固态电解质领域多年难题，研究迎来里突破性进展！

科学材料站

2025-05-08

导读：创世界首例！连发三篇Nature！成功打破固态电解质领域多年难题，研究迎来里突破性进展！

固态电解质作为全固态电池的核心组成部分，近年来成为研究热点。在如何发掘具有高离子电导率的固态电解质方面，科学家发现从头算分子动力学有助于加快发现快离子导体的进程。然而，这些方法计算成本高，难以大规模应用，因而需要新的技术手段来应对这一挑战。近年来，机器学习（ML）在加速新材料发现、优化制造工艺、预测电池循环寿命和固态电解质（SSE）的性质方面展现出了巨大潜力。通过在 ML 框架中集成实验或/和仿真数据，可以加速高级 SSE 的发现和开发，最终促进它们在高端储能系统中的应用。密度泛函理论（DFT）的引入改善了对材料特性的研究。这为固体电解质带来了重大突破，固体电解质已成为下一代储能系统的有前途的候选者。

锂离子电池作为现代能源存储的核心技术，其性能优化与安全性提升面临多尺度、多物理场耦合的复杂挑战。传统实验方法受限于高成本与长周期，而基于物理模型的仿真手段难以全面捕捉电池内部的非线性动力学行为。机器学习凭借其强大的数据挖掘与模式识别能力，为锂离子电池研究提供了革命性的技术路径：在材料层面，通过高通量计算与机器学习结合，可快速筛选电极材料并预测其电化学性能，显著加速新型材料的发现；在电池层面，基于数据驱动的状态估计方法（如SOC、SOH预测）突破了传统模型的精度限制；在系统层面，机器学习算法能够实现对电池组的高效管理与故障预警，为电池全生命周期优化提供科学依据。随着实验数据积累与算法创新，机器学习正推动锂离子电池研究从经验驱动向智能设计范式转变，为下一代高性能、高安全性电池的开发开辟新方向。

物理信息神经网络（Physics-Informed Neural Networks, PINN）作为深度学习与科学计算交叉融合的前沿方向，正重新定义复杂系统建模与优化的方法论体系。与传统数据驱动方法不同，PINN通过将物理定律（如偏微分方程、守恒律等）作为软约束嵌入神经网络，实现了对物理规律的可解释性表达与高效求解。这一突破性框架在多个领域展现出强大的应用潜力：在流体力学中，PINN能够高精度模拟湍流、边界层等复杂流动现象；在材料科学领域，它被用于预测晶体生长、相变动力学等微观演化过程；在地球物理勘探中，PINN为地震波反演、地下资源探测提供了新的计算工具；而在生物医学工程中，它正推动着从细胞迁移到组织力学行为的精准建模。随着物理先验知识的深度融入与计算框架的持续优化，PINN不仅为解决高维、非线性科学问题提供了通用平台，更开启了人工智能赋能基础科学研究的新篇章。


专题一（线上直播提供全程回放）	机器学习固态电解质设计
专题二（线上直播提供全程回放）	机器学习锂离子电池
专题三（线上直播提供全程回放）	机器学习催化剂设计
专题四（线上直播提供全程回放）	深度学习PINN

一、学习目标

机器学习固态电解质设计

1. 掌握固态离子电解质的基本概念、关键性能及其表征。

2.了解利用第一性原理（DFT）和分子动力学（MD）计算固态电解质性质的基本方法和挑战。

3.掌握机器学习的基本概念、常用算法及其在材料科学中的应用流程。

4.学习如何构建适用于固态电解质的特征描符（Features/Descriptors）。

5. 熟练运用Python及其相关库（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen）处理材料数据和构建机器学习模型。

6.掌握利用机器学习预测固态电解质关键性能（如离子电导率、稳定性等）的方法。

7.学习使用机器学习加速新型固态电解质材料的发现和设计。

8.掌握使用机器学习与传统计算模拟（DFT/MD）结合的策略。

机器学习锂离子电池

1.使学员了解锂离子电池的基本原理和特性，以及机器学习在电池技术中的应用背景。通过学习Python编程语言，使学员能够熟练使用基础语法、函数、模块、包和面向对象编程，让学员熟悉并掌握机器学习库。

2.使学员理解神经网络的基础知识，包括激活函数、损失函数、梯度下降与反向传播，并能够使用Pytorch构建全连接神经网络，掌握深度学习中的正则化技术、优化算法和超参数调优方法，了解并能够应用循环神经网络、卷积神经网络、图神经网络、注意力机制、Transformer架构、生成对抗网络和变分自编码器。

3.培养学员在锂离子电池正极材料特性工程方面的实战能力。通过实战项目，使学员能够使用机器学习技术预测锂离子电池性能、稳定性，并进行电池性能分类。理解如何将机器学习与分子动力学模拟、第一性原理计算以及实验数据结合，以加速新材料的发现和电池性能的优化。

4.电池管理系统（BMS）的智能化学习：使学员了解BMS的功能与组成，并能够应用机器学习技术进行电池充放电策略的优化。培养学员使用机器学习技术进行锂离子电池的实时充电状态（SOC）和健康状态（SOH）估计。

5.拓宽学员的国际视野，让他们接触和学习国际上的先进研究成果。培养具备跨学科整合能力的学员，使他们能够在锂离子电池、深度学习、数据科学等领域之间架起桥梁，开展创新性研究。

深度学习PINN

课程旨在逐步引导学员掌握神经网络和物理信息神经网络（PINN）的理论知识和实践技能。从基础的神经网络架构开始，课程内容逐步深入到PINN在不同领域的应用，并教授学员如何使用DeepXDE工具包来简化PINN模型的开发和训练。学员将学习搭建深度学习环境，设计多层感知机等深度神经网络，并应用于解决实际问题。课程重点探讨PINN如何结合物理定律和数据驱动学习，解决正问题和逆问题，以及在流体力学、固体力学等领域的应用。此外，学员还将学习PINN在处理耦合系统和复杂系统中的应用，如热流耦合和电池系统预测。最后，课程将提升学员对PINN优化技巧的理解，并介绍DeepXDE工具包的使用，以解决物理和化学领域的实际问题。

二、讲师介绍

机器学习固态电解质设计主讲老师

机器学习固态电解质主讲老师来自全国重点大学、国家“985工程”、“211工程"重点高校，长期从事固态电解质材料的第一性原理、分子动力学模拟研究，特别是在利用计算模拟方法和机器学习相结合来加速材料筛选，性能预测等方面有深入研究。他的授课方式浅显易懂，特别擅长从简单角度出发，逐渐深入讲解复杂的理论知识和计算方法!目前共发表论文（Nature Catalysis， Nature Communications， Energy & Environmental Science， Advanced Energy Materials等）共四十余篇。曾任Joule， Journal of Materials Chemstry A等期刊审稿人。

机器学习锂离子电池主讲老师

机器学习锂离子电池主讲老师来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事锂离子电池研究，特别是在利用计算模拟方法和机器学习技术解决锂离子电池领域的关键问题。在多个国际高水平期刊上发表 SCI检索论文30余篇。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！

机器学习催化剂设计主讲老师

机器学习催化剂设计主讲老师来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事机器学习辅助的催化剂设计与预测研究，在机器学习深度学习辅助的催化剂设计研究领域深耕多年，具有丰富的经验和扎实的基础。在多个国际高水平期刊上发表 SCI检索论文30余篇。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！

深度学习PINN主讲老师

PINN(物理知识神经网络)与深度学习课程由来自全国重点大学、国家“985工程”、“211工程”重点高校老师主讲。在机器学习领域具有深厚的理论基础和实践经验，特别是在运用深度学习技术解决复杂科学问题方面。研究成果已经多次在国际权威期刊上发表累计30余篇。老师不仅在学术研究上成就斐然，而且在教学工作中也表现出极高的热情和才华。他的授课风格通俗易懂，能够将抽象的理论知识和复杂的计算方法讲解得生动有趣，使得学员们能够轻松理解并掌握。

专题一：机器学习固态电解质设计

第一天：固态离子电解质基础与计算模拟入门

上午：固态离子电解质：背景、挑战与机遇

1.引言：新能源需求与固态电池的重要性。

2.固态离子电解质基础：

2.1定义、分类（氧化物、硫化物、聚合物、复合电解质等）。

2.2关键性能参数详解：离子电导率、电子电导率、电化学稳定性窗口、热稳定性、机械性能、界面相容性。

2.3离子在固态电解质中的传输机制（空位、间隙、协同跳跃等）。

3.计算模拟为何重要？

3.1微观尺度理解材料物理化学行为。

3.2辅助实验设计与结果解释。

3.3预测新材料及其性能。

4.常用材料数据库介绍： Materials Project, OQMD等，以及如何检索固体电解质相关数据。

5.面临的挑战：传统试错法效率低，计算模拟成本高，性能与稳定性难以兼顾。

下午：固态电解质的计算模拟方法与数据基础

1.第一性原理计算（DFT）基础：

1.1基本概念与近似（LDA, GGA, DFT+U）。

1.2计算电解质的热力学稳定性（相图构建、分解能）。

1.3计算电化学稳定性窗口。

1.4计算离子迁移能垒（NEB方法）。

2.分子动力学（MD）基础：

2.1从头算分子动力学（AIMD） vs. 经典分子动力学（CMD）。

2.2利用AIMD计算离子扩散系数和离子电导率。

2.3力场的概念（针对特定体系，如聚合物/复合电解质）。

3.计算模拟的局限性：计算成本、时间尺度、体系尺寸限制 -> 引出机器学习的需求。

4.编程环境准备与基础库入门：

4.1Python环境搭建（Anaconda）。

4.2Numpy：数值计算基础。

4.3Pandas：数据处理与分析。

4.4Matplotlib/Seaborn：数据可视化。

4.5Pymatgen：材料学数据处理与结构操作入门。

————————————————————————————————

第二天：机器学习基础与特征工程

上午：机器学习核心概念与常用算法

1.机器学习概述：监督学习、非监督学习、强化学习。

2.机器学习工作流程：问题定义 -> 数据收集 -> 数据预处理 -> 特征工程 -> 模型选择 -> 模型训练 -> 模型评估 -> 模型部署/应用。

3.监督学习（回归与分类）：

3.1线性回归、逻辑回归。

3.2K-近邻（KNN）。

3.3支持向量机（SVM）。

3.4决策树。

4.非监督学习：

4.1K-均值聚类（K-Means）。

4.2层次聚类。

4.3主成分分析（PCA）用于降维与可视化。

5.Scikit-learn库核心功能介绍与使用。

下午：固态电解质的特征工程与数据处理

1.特征工程的重要性：如何将材料信息转化为机器学习模型可理解的输入。

2.常用特征类别：

2.1组分特征：原子属性（半径、电负性、价电子数等）的统计量（平均、方差、范围等）。

2.2结构特征：晶格参数、空间群、原子坐标、配位数、键长键角分布、Voronoi多面体分析、径向分布函数（RDF）信息等。

2.3物理/化学特征（计算或实验）：带隙、形成能、体积模量、已知电导率/稳定性数据等。

3.特征生成工具： Pymatgen、Matminer、手动构建。

4.数据预处理：缺失值处理、数据标准化/归一化、异常值检测。

5.实战一：固态电解质数据集的构建与特征提取

5.1任务：从数据库（如Materials Project）下载固态电解质数据，使用Pymatgen/Matminer提取组分和结构特征，形成适用于机器学习的数据集（CSV/Pandas DataFrame）。

————————————————————————————————

第三天：模型评估、优化与集成学习

上午：模型评估与优化

1.模型评估指标：

1.1回归：均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）。

1.2分类：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、ROC曲线与AUC。

2.交叉验证（Cross-Validation）： K折交叉验证、留一法等，用于评估模型泛化能力。

3.模型选择与避免过拟合/欠拟合：学习曲线分析。

4.超参数调优：网格搜索（Grid Search）、随机搜索（Random Search）。

下午：集成学习与实践

1.集成学习思想： Bagging (如随机森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)。

2.随机森林（Random Forest）原理与应用。

3.梯度提升树（Gradient Boosting）原理与应用。

4.实战二：基于集成学习的固态电解质离子电导率预测

4.1任务：使用第二天构建的数据集，训练并比较多种监督学习模型（如SVM, RF, GBT）预测离子电导率。运用交叉验证评估模型性能，并使用网格搜索进行超参数调优。分析特征重要性。

————————————————————————————————

第四天：深度学习及其在固态电解质中的应用

上午：深度学习基础与神经网络

1.神经网络基础：感知器、多层感知器（MLP）、激活函数（ReLU, Sigmoid, Tanh）、损失函数、梯度下降与反向传播。

2.深度学习框架介绍： Pytorch / TensorFlow 基础。

3.构建全连接神经网络（DNN/MLP）。

4.深度学习中的正则化： L1, L2, Dropout。

5.优化算法： SGD, Adam, RMSprop。

下午：图神经网络（GNN）及其在材料科学中的应用

1.为什么需要GNN？传统特征工程的局限性，如何直接从原子结构学习。

2.图的基本概念：节点（原子）、边（键）、图（晶体结构/分子）。

3.GNN基本思想：消息传递机制。

4.常用GNN架构介绍： GCN, GAT, SchNet, MEGNet/ALIGNN等。

5.实战三：使用DNN预测固态电解质性质

5.1任务：利用Pytorch构建DNN模型，使用第三天处理好的特征数据进行离子电导率或稳定性预测，与传统ML模型对比。

6.实战四：基于图神经网络的固态电解质性质预测

6.1任务：利用现有的材料学GNN库（如Pytorch Geometric, DGL配合相应模型）构建或调用预定义GNN模型，直接输入晶体结构信息预测离子电导率，并与基于特征工程的模型进行比较。

————————————————————————————————

第五天：机器学习加速材料发现与高级应用

上午：机器学习驱动的材料设计与发现

1.高通量虚拟筛选：结合材料数据库与训练好的ML模型，快速筛选大量候选材料，预测其关键性能（电导率、稳定性），缩小实验或高精度计算的范围。

2.主动学习（Active Learning）：通过迭代方式，让模型选择最有信息量的“下一个”计算/实验点，用最少的数据达到最好的模型效果或最快发现目标材料。

3.贝叶斯优化（Bayesian Optimization）：用于优化材料组分或结构参数以达到目标性能。

4.机器学习与DFT/MD的结合：

4.1ML力场/势函数：加速MD模拟。

4.2使用ML预测DFT计算的中间量或最终结果。

下午：综合应用与展望

1.实战五：模拟高通量筛选流程

1.1任务：利用已训练好的ML模型对一个“虚拟”的包含大量未探索成分/结构的候选材料数据库进行快速性能预测，识别出数个最有潜力的候选者。

2.案例研究：展示已发表的利用ML成功发现或优化固态电解质的实例。

3.总结与展望：机器学习在固态电解质领域的挑战与未来发展方向（如界面问题、多性能协同优化、可解释性、数据共享等）。

部分案例图片：

专题二：机器学习锂离子电池

第一天上午：锂离子电池与机器学习基础

锂离子电池与机器学习背景：了解锂离子电池的基本原理、发展历程、应用领域以及当前面临的挑战；介绍机器学习的定义、发展历程、主要应用领域以及与锂离子电池研究的结合点，探讨机器学习如何助力锂离子电池性能提升和新材料研发。

Python基础语法、函数、模块和包、面向对象编程

机器学习库介绍：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn

第一天下午：监督学习与非监督学习入门

监督学习与非监督学习

K-近邻、支持向量机、决策树、线性回归、逻辑回归

实战一、使用机器学习预测锂离子电池性能：特征工程描述包括电池的充放电循环数据、温度、电流、电压、电池的制造参数、材料特性等，选择不同的机器学习模型，例如决策树、随机森林、支持向量机，最后进行性能评估。

————————————————————————————————

第二天上午：聚类分析与集成学习

K-均值聚类、层次聚类、PCA、t-SNE

集成学习：随机森林、Boosting

交叉验证、性能指标、模型评估与选择、网格搜索

实战二、特征选择与聚类算法选择：根据锂离子电池的性能特征（如容量、能量密度、内阻、循环稳定性等），选择合适的聚类算法（如K-均值聚类、层次聚类等），通过特征工程对数据进行预处理，将数据转换为适合聚类分析的格式。

聚类结果分析与降维验证：对聚类结果进行分析，观察不同聚类类别中电池的性能特点和分布规律，通过降维技术（如PCA、t-SNE）对聚类结果进行可视化验证，判断聚类结果的有效性和合理性，为锂离子电池的性能分类和优化提供依据。

第二天下午：神经网络基础与深度学习技术

神经网络基础、激活函数、损失函数、梯度下降与反向传播

Pytorch构建全连接神经网络

深度学习中的正则化技术：L1、L2、Dropout

优化算法：SGD、Adam、RMSprop

超参数调优：网格搜索、随机搜索、贝叶斯优化

实战三、基于深度学习的高熵材料的虚拟高通量筛选：收集和整理用于训练的数据集，包括高熵材料的化学组成、晶体结构、物理化学性质等，使用准备好的数据集对深度学习模型进行训练，并采用交叉验证等方法来评估模型的泛化能力。

————————————————————————————————

第三天上午：高级深度学习架构与应用

循环神经网络

卷积神经网络

图神经网络

注意力机制

Transformer架构

生成对抗网络

变分自编码器

实战四、基于图神经网络的锂离子电池性能预测：构建图神经网络模型，选择合适的架构，如GCN、GAT等，来学习材料图特征节点和边的表示，用于预测锂离子电池性能。

第三天下午：锂离子电池材料的机器学习应用

锂离子正极材料的特征工程

实战五、基于机器学习的锂金属正极材料的稳定性预测：选择合适的机器学习模型，如支持向量机、随机森林、集成学习、神经网络，使用适当的评估指标，如准确率、召回率、F1分数等，来衡量模型预测锂金属正极材料稳定性的性能。

实战六、实验引导的高通量机器学习分析：讲解将机器学习模型集成到实验流程中，优化实验过程，实现从实验设计到数据分析的自动化和智能化。

————————————————————————————————

第四天上午：机器学习与多尺度模拟的结合

基于锂离子电池的机器学习与多尺度模拟

机器学习、分子动力学模拟与第一性原理计算

机器学习与实验结合

实战七：介绍Materials Project数据库的基本情况和功能，说明如何从该数据库中提取与锂离子电池相关的电数据，包括材料的晶体结构、电子结构、电化学性能等信息。

从Materials Project数据库中提取电池电数据，利用深度学习技术来预测多价金属离子电池的电极电压，并开发了一个可解释的深度学习模型，以加速多价金属离子电池材料的设计和优化。

第四天下午：机器学习在电池管理系统中的应用

机器学习在电池管理系统中的应用介绍

电池管理系统（BMS）的功能与组成

电池充放电管理

电池安全与保护

电池健康状态的指标

电池老化分析

实战八、探讨如何将物理模型（如电池的电化学模型、热模型等）与机器学习模型相结合，利用物理模型的先验知识和机器学习模型的数据驱动能力，提高对电池状态的预测精度和可靠性，例如通过物理模型提供电池状态的初始估计，再利用机器学习模型对实际数据进行拟合和修正，实现对电池长期性能和寿命的准确预测。

————————————————————————————————

第五天上午：机器学习在电池寿命预测中的应用

实战九：

收集锂离子电池在不同充放电条件下的运行数据，包括电压、电流、温度、充放电时间等，这些数据是SOC和SOH估计的基础，通过数据预处理、特征提取等步骤，将数据转换为适合机器学习模型输入的格式，提高模型的估计精度。

选择合适的机器学习模型（如线性回归、支持向量机、神经网络等），根据处理后的数据对模型进行训练，通过交叉验证等方法对模型的准确性和泛化能力进行评估，选择最优的模型用于锂离子电池的SOC和SOH实时估计，通过实例代码展示模型训练和评估的过程，分析模型的性能指标和估计结果。

将训练好的机器学习模型集成到BMS中，实现对锂离子电池SOC和SOH的实时估计，通过实时监测电池的状态参数，利用模型进行快速准确的估计，为电池的充放电管理、安全保护和健康状态评估提供实时数据支持，提高BMS的智能化水平和电池的使用效率。

第五天下午

实战十：基于GRU、LSTM、Transformer锂电池剩余寿命预测：重点讲解如何设计GRU、LSTM或Transformer模型的架构，包括层数、隐藏单元的数量、输入和输出维度等，比较GRU、LSTM和Transformer模型的性能。

实战十一：从文献中收集的大量锂离子数据集，基于注意力机制的循环神经网络算法架构，用于预测和监测电池寿命。

专题三：机器学习催化剂设计专题

第一天：

第一天上午

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：变量和数据类型，列表，字典，if语句，循环，函数

2.Python科学数据处理：NumPy，Pandas，Matplotlib

案例一：随着AI For Science时代的到来，机器学习以优异的速度迅速扩展到各个领域。本次培训详细讲解从下载到安装，再到环境配置全流程。无论是数据科学新手还是进阶学习者，都能借此掌握 Anaconda 操作要点，轻松搭建编程环境，为后续 Python 开发、数据分析等工作筑牢基础。

第一天下午

理论内容：

1.sklearn基础介绍

2.线性回归原理和正则化

实操内容：

1. 线性回归方法的实现与初步应用

2. L1和L2正则项的使用方法

3. 线性回归用于HER催化剂的筛选

4. 符号回归用于发现金属催化氧化载体中金属-载体相互作用

案例二：金属-载体相互作用是多相催化中最重要的支柱之一，但由于其复杂的界面，建立一个基本的理论一直具有挑战性。基于实验数据、可解释的机器学习、理论推导和第一性原理模拟，以建立了基于金属-金属和金属-氧相互作用的金属-氧化物相互作用的一般理论（符号回归）。

————————————————————————————————

第二天上午

理论内容：

1. 逻辑回归

1.1原理

1.2 使用方法

2. K近邻方法（KNN）

2.1 KNN分类原理

2.2 KNN分类应用

3. 神经网络方法的原理

3.1 神经网络原理

3.2神经网络分类

3.3神经网络回归

实操内容：

1.逻辑回归的实现与初步应用

2.KNN方法的实现与初步应用

3.神经网络实现

案例三：铜基合金催化剂因其良好的选择性和过电位低等特点，在二氧化碳还原反应（CO2RR）领域得到了广泛的应用。为了实现对CO2RR合金催化剂的高效探索，通过实施严格的特征选择过程，将特征空间的维数从13维降至5维，ML模型成功快速预测了CO2RR过程中关键中间体（HCOO、CO和COOH）的吸附能。

第二天下午

项目实操：

1.基于少特征模型的机器学习预测二氧化碳还原电催化剂

2.基于文本数据信息预测甲醇转化率

这两个实操项目同时穿插讲解如下内容

A1 机器学习材料与化学应用的典型步骤

A1.1 数据采集和清洗

A1.2 特征选择和模型选择

A1.3 模型训练和测试

A1.4 模型性能评估和优化

案例四：结构化材料合成路线对于化学家进行实验和现代应用（如机器学习材料设计）至关重要。近年来，化学文献呈指数级增长，人工提取已发表文献耗时耗力。本研究的重点是开发一种从化学文献中提取pd基催化剂合成路线的自动化方法。并利用合成路线的结构化数据来训练机器学习模型并预测甲烷转化率的性能。

————————————————————————————————

第三天上午

理论内容：

1．决策树

1.1决策树的原理

1.2决策树分类

2．集成学习方法

2.1集成学习原理

2.2随机森林

2.3Bosting方法

3.朴素贝叶斯概率

3.1原理解析

3.2 模型应用

4. 支持向量机

4.1分类原理

4.2核函数

实操内容

1.决策树的实现和应用

2.随机森林的实现和应用

3.朴素贝叶斯的实现和应用

4.支持向量机的实现和应用

案例五：集成学习通过多层模型组合与融合，在提升模型性能方面极具优势。在数据挖掘中，面对海量且复杂的数据，单一模型往往难以全面捕捉数据特征。集成学习将弱学习器的性能结合，先由各基础模型从不同角度挖掘数据，再通过加权等方式融合结果，能更全面地剖析机器学习结果。

第三天下午

项目实操

1.机器学习加速设计ORR和OER双功能电催化剂

2.二元合金中双官能团氧电催化剂的有效机器学习模型设计

3.SHAP机器学习可解释性分析

这两个实操项目同时穿插讲解如下内容

A1 模型性能的评估方法

A1.1 交叉验证：评估估计器的性能

A1.2 分类性能评估

A1.3 回归性能评估

案例六：氧还原反应（ORR）和析氧反应（OER）是清洁能源转化的关键。近年来，双金属位催化剂（DMSCs）因其原子利用率高、稳定性强、催化性能好而受到广泛关注。本研究采用密度泛函理论（DFT）和机器学习（ML）相结合的先进方法，研究吸附物在数百种潜在催化剂上的吸附自由能，来筛选对ORR和OER具有高活性的催化剂。

————————————————————————————————

第四天上午

理论内容：

1. 无监督学习

2.1 什么是无监督学习

2.2 无监督算法——聚类

2.3 无监督算法——降维

2. 材料与化学数据的特征工程

2.1分子结构表示

2.2 独热编码

实操内容：

鸢尾花数据集用于聚类实现和应用

T-SNE实现和应用

PCA的实现和应用

层次聚类的实现和应用

K-means聚类的实现和应用

案例七：无监督学习是从无标签数据中挖掘模式与结构，t-SNE作为其重要降维工具，专注于保留高维数据点间局部结构。课程将深入讲解t-SNE核心原理，如通过概率分布衡量点间相似性，以优化KL散度实现降维，展示其在高维数据可视化中的强大作用。还会进行代码实操，涵盖数据加载、参数调优、降维及可视化等环节，让学员熟练掌握t-SNE在不同场景的应用，助力探索数据潜在结构与模式。

第四天下午

项目实操

理论内容：

1.深度学习理论基础

2.DNN、RNN、CNN、LSTM及Transformer基础框架介绍

实操内容

1. torch基础练习

2. 应用RNN、CNN、LSTM模型筛选光催化剂

案例八：近年来，结合高通量（HT）和机器学习（ML）的策略以加速有前途的新材料的发现已经引起了人们的极大关注。因此，可以设计一种直观的方法，通过数据库并结合深度学习模型，并将它们与HT方法耦合，以寻找高效的2D水分解光催化剂。

————————————————————————————————

第五天上午

理论内容：

1.图深度学习理论基础

2.图深度学习应用实例OC20、OC22电催化剂开发挑战（ACS Catalysis）

实操内容：

1. 图结构构建及可视化

2. PyTorch Geometric基础介绍

案例九：近年来，在晶体性能预测领域，图神经网络（graph neural network，GNN）模型取得了长足的发展。GNN模型可以有效地从晶体结构中捕捉高维晶体特征，从而在性能预测中获得最佳性能。指导学员搭建图深度学习开发环境，以顺利构建图结构，并进行机器学习训练。

第五天下午

项目实操

1.图神经网络模型基本概述及CGCNN代码深度解读应用

2.基于图论构建反应网络用于NO电还原反应研究

3.Transformer辅助水氧化制备过氧化氢(WOR)及可解释分析

案例十：氮氧化物排放严重影响我们的环境和人类健康。光催化脱硝（deNOx）因其低成本、无污染而备受关注，但实际生产中产生的是不需要的亚硝酸盐和硝酸盐，而不是无害的氮气。揭示活性位点和光催化机理对改进工艺具有重要意义。本此课程以指导学员依据反应中间体，建立图反应网络结构以揭示反应机理。

专题四：深度学习PINN专题

第一天：

课程目标：深入理解神经网络的基本概念、架构和在多个领域的应用。掌握搭建深度学习开发环境的技能，包括使用Conda创建Python虚拟环境和安装PyTorch等必要工具。学习设计和实现多层感知机（MLP）等深度神经网络架构。通过实际案例，培养将理论知识应用于解决复杂问题的能力。

Python与深度学习(上午)

神经网络作为一种强大的机器学习技术，在各个领域的广泛应用(图像识别、自然语言处理、金融科技、推荐系统、环境科学等)。神经网络的基本构建模块，包括神经元、层、激活函数等核心组成部分。指导学员搭建深度学习开发环境，包括使用Conda创建Python虚拟环境、PyTorch等必要的工具和库的安装。讲述利用Numpy从文件读取存储，到数据类型、矩阵变换和tensor的常用计算。

深度神经网络搭建(下午)

案例一：多层感机预测材料属性

在材料科学领域，准确预测材料的属性对于新材料的设计和发现具有重要意义。传统的预测方法依赖于复杂的理论模型或耗时的实验测试。随着机器学习技术的发展，我们可以使用多层感知机（MLP）来快速、准确地从材料的化学式中学习并预测其属性。

————————————————————————————————

第二天

课程目标：深入理解物理信息神经网络（PINN）如何融合物理定律和数据驱动学习。学习如何利用PINN解决正问题和逆问题。通过实际案例，培养使用PINN进行建模和预测的技能。通过摩擦系数识别反演案例，掌握如何使用PINN从噪声数据中反求物理参数。学习如何使用PINN来解决导热扩散问题，包括如何将物理定律（如扩散方程）嵌入到神经网络中。

PINN——方法原理(上午)

案例二：摩擦系数识别反演

物理信息学习神经网络是一种强大的工具，它结合了深度学习技术和物理定律，使其不仅可以解决给定输入预测输出的问题，而且可以处理利用给定输出确定模型参数。本案例利用存在噪声的观测数据识别阻尼振动方程中的摩擦系数μ。

PINN——传热扩散(下午)

案例三：线性热传导问题

热传导是热力学和传热学中的一个核心概念，它涉及研究在稳态条件下热量如何在物体内部传递。在许多工程和物理问题中，理解和预测热传导过程对于确保材料的性能、优化热管理系统以及保障结构的完整性至关重要。对于具有恒定热导率的均质物体，热传导过程可以通过一维稳态传导方程来描述。

案例四：污染物向地下迁移扩散

地下水污染是一个全球性的环境问题，准确预测污染物的扩散和迁移过程对于制定有效的环境修复策略至关重要。物理信息神经网络在模拟污染物向地下迁移扩散的问题上具有显著的应用潜力。污染物在地下水中的迁移通常可以通过扩散方程来描述。

————————————————————————————————

第三天

课程目标：深化对物理信息神经网络在流体力学和固体力学中应用的理解，并提高将这一先进技术应用于解决实际工程问题的能力。通过分析和实践Burgers方程、流体遇阻行为、振动梁响应以及能量损失方法等案例，掌握如何将这些模型应用于流体力学中的粘性流体动力学问题和流体遇阻行为的研究，以及固体力学中的振动梁动力学问题和基于能量损失的载荷响应分析。

PINN——流体力学(上午)

案例五：粘性流体动力学

Burgers方程是流体力学中的一个基本方程，它通过结合对流和扩散效应来描述一维流体在考虑流体粘性的情况下运动。案例描述了封闭流体环境中给予一个初始正弦波形式的位移扰动而激发的流体运动。

案例六：流体遇阻行为研究

流体绕过障碍物时的行为在工程和环境科学中非常重要，例如在设计建筑物、桥梁和飞机时预测和控制空气流动，以及在水处理和海洋工程中研究水流模式。通过结合物理定律和数据驱动的方法，PINNs能够提高预测的准确性和效率，为工程应用提供科学依据。

PINN——固体力学(下午)

案例七：振动梁动力学与结构特性参数反演

在固体力学领域，研究两端固定梁在初始时刻受到正弦波形纵向振动激励的响应，是一个经典的动力学问题。该问题还涉及到波动方程的求解，对理解固体材料的动态响应特性和优化结构设计均具有重要的意义。

案例八：基于能量损失的载荷响应

在工程领域，结构的响应分析对于预测和设计结构在实际载荷下的变形和应力分布至关重要。传统的PINN通常基于控制方程来预测结构响应，在处理复杂载荷问题需要长时间训练。通过能量衡算而不是直接求解控制方程的方法，可以更有效地处理非线性问题。

————————————————————————————————

第四天

课程目标：熟练掌握PINN在处理耦合系统和复杂系统，如不规则几何体内的热流耦合和电池系统中的应用。通过深入学习，学员将能够将PINN技术应用于解决实际工程和科学问题，特别是在流体力学和热传递的耦合系统，以及电池健康状态预测等领域。理解流体流动与热传递之间的相互作用，以及这些相互作用如何影响系统性能。掌握如何使用PINN进行电池健康状态的预测，以及如何将电池理论融入PINN模型中。

PINN——耦合系统(上午)

案例九：顶盖驱动空腔

顶盖驱动空腔问题是计算流体力学中的一个经典问题，用于测试和验证数值方法的准确性，因为它产生了丰富的流体动力学行为，包括涡流、速度分布和压力场。

案例十：鳍片热流耦合

鳍片热流耦合在工业应用中非常常见，如在散热器、热交换器和电子冷却设备中。在这些系统中，流体的流动与鳍片的热传递之间存在复杂的相互作用。流体动力学影响热传递效率，而热传递过程也会影响流体的流动特性。因此，理解和预测这种耦合系统的动态行为对于优化设计至关重要。

PINN——锂电系统(下午)

案例十一：锂电健康状态预测

锂离子电池健康状态是指电池当前容量与其初始容量的比值，是衡量电池性能和寿命的关键指标。锂离子电池健康状态的准确预测对于电池管理系统、电动汽车和可再生能源存储等领域至关重要。物理信息神经网络可以有效地整合电化学理论和实验数据，从而对电池的健康状况进行准确预测。

————————————————————————————————

第五天

课程目标：提升对PINN的优化技巧，并让学会使用DeepXDE工具包来解决实际问题。掌握并应用加权PINN和小批次训练法等优化技巧，以提高模型的预测准确性和收敛性。学习并实践使用DeepXDE工具包，以简化PINN模型的开发和训练过程。通过半导体器件和化学反应案例，了解如何将DeepXDE应用于实际的物理和化学问题。

PINN——优化技巧(上午)