人工智能赋能聚合物及复合材料模型应用与实践
2025年11月08日-11月09日
2025年11月15日-11月16日
（线上直播授课4天+录播回放+微信群答疑）
课程详情
| 目录 | 主要内容 |
| 一、基础概述与核心方法论 |
AI 在聚合物及复合材料领域的理论基础与应用概述；传统机器学习、深度学习与生成式 AI 方法简介；AI 驱动下的聚合物多层次结构表示、性能预测与结构设计等核心问题；构建“数据驱动+机理驱动”协同的智能创制全流程方法论。 |
| 二、数据与特征工程 |
涵盖 Material Project、Polymer Genome 等主流学术数据库资源获取；数据清洗、去噪与标准化处理（实践）；小提琴图、PCA、T-SNE、UMAP 可视化分析（实践）；聚合物复合材料数据预处理（实践）。重点讲解分子指纹、链结构特征、3D 结构编码等结构表示方法，结合过滤法、递归消除等特征选择技术（实践），并引入物理机理指导的描述符构建，探讨数据规模与质量对模型性能的影响（Scalling laws in polymers）。 |
| 三、模型体系（从基础到前沿） |
系统讲授 SVR、随机森林、XGBoost、LGBM 等传统机器学习模型及其在复合材料力学性能预测中的应用（实践）；深度学习框架（TensorFlow/PyTorch）部署与 DNN、CNN、GNN 在聚合物建模中的实现（实践）；介绍材料基因工程中的高通量计算工具（如 MatterSim、DeepMD、RadonPy、SMiPoly）；深入解析生成式 AI 技术，包括 VAE、GAN、Diffusion 模型用于分子生成（实践），以及大语言模型（GPT、BERT、T5、DeepSeek）架构与 Langchain、HuggingFace 平台应用（实践）。 |
| 四、性能预测与材料设计 |
聚焦正向性能预测：利用机器学习建模聚氨酯、PI 复合材料的应力应变曲线（实践），结合 SHAP 值等可解释性分析方法评估特征重要性（实践）。开展逆向设计实践：基于生成式 AI 实现全空间聚合物结构生成，并构建高通量筛选工作流，完成从结构生成到性质预测的批量智能筛选（实践）。 |
| 五、前沿AI方法在聚合物领域实践案例与科研指导 |
探索聚合物表示学习中 SMILES、BigSMILES、SELFIES 等编码方式的性能差异（实践）；基于领域知识构建对比学习、主动学习与强化学习框架（实践）；实操 polyBERT、Transpolymer 等聚合物专用大模型在性能预测中的应用（实践）。 |
部分案例图展示
增值服务
- 报名学员将获得电子课件、案例模型文件及全部课程无限次回放视频；
- 老学员推荐报名可享200元优惠；
- 通过考核的学员可获主办方北京软研国际信息技术研究院培训中心颁发的《人工智能赋能聚合物及复合材料模型应用与实践》专业技能结业证书。
报名费用
￥4300 元/人
（含报名费、培训费、资料费）
2025年10月13日前报名可享200元早鸟价优惠
费用包含可用于报销的正规机打发票及盖章纸质通知文件。北京中科纬来智能科技有限公司为本次会议会务合作单位，负责费用收取与发票开具。
报名方式
主办方：北京软研国际信息技术研究院
承办方：互动派（北京）教育科技有限公司
会议会务合作单位：北京中科纬来智能科技有限公司
科研背景
近年来，生成式人工智能（包括大语言模型、分子生成模型等）在聚合物及复合材料领域引发技术革新。依托数据驱动与物理机理协同，AI 能够从海量数据中挖掘构效关系，借助 SMILES、BigSMILES 等结构表示方法和 VAE、GAN、Diffusion 等生成模型实现分子逆向设计，突破传统研发模式周期长、成本高、多目标优化难等瓶颈，显著提升材料性能预测效率与新型结构发现速度，加速科研成果转化。自2020年以来，相关研究论文年增长率超300%，已被能源部、欧盟材料基因组计划列为战略发展方向，契合“从数据到模型、从预测到设计”的聚合物智能创制全流程需求。
培训对象
面向材料科学、电力工业、航空航天、化工、建筑、自动化、汽车、机械、船舶、金属工艺等领域科研人员、工程师及相关从业者，支持跨学科研究人员参与。
讲师介绍
讲师来自国内985高校，长期从事人工智能辅助科学研究，研究成果发表于《Macromolecules》《Chemical Science》《npj Computational Materials》等国际权威期刊，多次担任《Journal of Membrane Science》《Artificial Intelligence Review》等期刊审稿人。擅长深度学习、生成式AI与大语言模型在材料科学与工业优化中的应用研究。
教学特色
- 前沿与理论结合：覆盖生成式AI、深度学习、大语言模型等核心技术，融合高分子材料特性，系统掌握最新技术动态。
- 案例驱动实践：设置机器学习预测粘度、耐热高分子筛选、LLM预测聚合物性质等多个实操环节，强化实战能力。
- 多学科融合：整合深度学习、高分子材料科学、材料基因组工程等知识体系，培养跨学科研发思维。
- 系统化教学：从基础知识起步，逐步深入至核心内容，帮助学员构建完整知识框架。
- 工具平台实战：讲授 TensorFlow、PyTorch、HuggingFace、Langchain、Gradio 等主流工具的应用，提升科研效率。