人工智能与数据驱动方法加速金属材料设计与应用
培训时间：
2026年01月17日-01月18日
2026年01月24日-01月25日
（线上直播授课4天+录播回放+微信群答疑）
1.
写在前面
金属材料在航空航天、能源装备、交通运输、生物医疗等关键领域扮演着重要角色。传统金属材料研发依赖“试错法”，周期长、成本高，难以满足高性能、多功能材料的快速设计需求。人工智能与数据驱动方法的兴起，为金属材料研究带来范式变革，通过整合材料数据库、机器学习、主动学习与物理信息模型，可实现材料成分、工艺、结构、性能之间的智能映射与逆向设计，大幅提升材料研发效率与创新能力。
为帮助材料科研人员与工程师系统掌握人工智能在金属材料设计中的前沿方法与实战技能，特举办“人工智能与数据驱动方法加速金属材料设计与应用”专题培训。本次培训会议主办方为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，相关事宜通知如下：
2.
培训对象
材料科学与工程、冶金工程、机械工程、航空航天、能源化工等领域的科研人员、工程师、高校教师、研究生、企业研发人员，以及对人工智能在材料设计中应用感兴趣的数据科学家、算法工程师及相关行业技术人员。
3.
讲师介绍
由国内某985高校副教授带领研究小组讲授。迄今发表 高水平论文70余篇，主要包括Advanced Materials、Advanced Science、PNAS等著名期刊。担任Nature Communications, Materials Today等期刊审稿人。研究聚焦人工智能赋能功能材料和结构材料设计。
4.
教学特色
1、体系化知识结构：课程覆盖从Python基础、描述符工程、经典与集成机器学习，到主动学习、灰箱模型与可解释AI的全链条内容。
2、真实材料体系案例驱动：以高温合金、钛合金等典型金属材料为载体，贯穿数据获取、清洗、建模、优化全流程。
3、理论结合实战：每模块均设置典型案例实践，强调动手操作与代码实现，提升解决实际材料设计问题的能力。
4、前沿技术融合：课程内容兼顾学术研究与工业应用，提供可复现的论文案例与工程优化流程，助力论文发表与成果转化。
5、科研与工程应用结合：提供经典文献实例复现、超参数调优实战、新材料设计策略，助力成果转化与论文发表。
5.
课程详情
|
目录 |
主要内容 |
|
|
第一部分 Python与材料科学数据分析基础 |
1. 理论内容： 1.1. 数据驱动材料设计的范式革命与核心流程 1.2. Python材料数据科学生态系统 1.3. 材料数据库与数据标准化概述 2. 实践内容：从环境搭建到数据分析 ◇ Case 1：Python科学计算环境搭建与核心库（NumPy, Pandas等） ◇ Case 2：准备或数据库下载特定材料数据 □ 高温合金体系，获取其原子结构、成分、相溶解温度等基本信息 □ 钛合金体系，重点关注蠕变性能和拉伸力学性能 □ 下载/准备钛合金或高温合金的数据，并将结果保存为DataFrame ◇ Case 3：数据清洗、探索与可视化分析 |
|
|
第二部分 描述符工程与特征优化 |
1. 理论内容： 1.1. 材料描述符的核心概念：如何数字化表征材料 1.2. 成分描述符、工艺描述符、晶体结构描述符与电子结构描述符详解 1.3. 特征选择、降维与特征重要性分析方法及原理 2. 实践内容：从生成描述符到优化特征空间 ◇ Case 1：使用Matminer批量生成多元化描述符 □ 为钛合金体系生成描述符 □ 为高温合金体系生成描述符 □ 获得包含原始材料信息和数十至上百个描述符列的DataFrame ◇ Case 2：无监督学习与数据可视化 □ 数据预处理： 对生成的大量描述符进行标准化，确保处于同一量纲 □ 主成分分析：对钛合金/高温合金体系描述符数据进行PCA分析 □ t-SNE可视化：使用t-SNE对钛合金体系/高温合金体系进行可视化 ◇ Case 3：特征选择与优化 □ 过滤法：计算描述符与目标性能的相关系数 □ 随机森林或其他回归模型进行训练。 以“预测钛合金的蠕变断裂寿命或其他性能”为例，分析模型哪些描述符最为重要。 □ 递归特征消除：使用RFECV工具，自动确定最佳特征数量。 |
|
|
第三部分 经典与集成机器学习算法 |
1. 理论内容： 1.1. 监督学习的基本框架与材料数据的建模流程 1.2. 经典机器学习算法的核心思想与比较 1.3. 集成学习方法及其在复杂材料体系中的优势 1.4. 模型评估、误差分析与模型选择策略 2. 实践内容——从基础建模到集成算法应用 ◇ Case 1：基于经典算法的材料性能预测入门实践 □ 使用给定合金属性数据集（如晶体结构/力学性能 - 元素特征数据）建立初始化线性回归、支持向量机回归、决策树回归/分类器等模型 □ 完成训练–测试流程，可视化预测误差 ◇ Case 2：超参数调优实战：使用交叉验证和自动化搜索工具来寻找模型的最佳超参数组合 ◇ Case 3：集成模型在复杂材料任务中的应用与解释 □ 针对合金力学性能等，分别训练基于随机森林、GBDT等性能预测模型，调整主要超参数，比较不同集成模型的预测精度与训练效率 □ 模型解释性：使用SHAP库，对合金力学性能预测模型进行分析 |
|
|
第四部分 主动学习与多目标优化 |
1. 理论内容： 1.1. 材料研发的瓶颈与主动学习的核心 1.2. 主动学习优化框架：建模与决策 1.3. 单目标优化与多目标优化介绍 2. 实践内容： ◇ Case 1：在一个简单一维函数上实现主动学习循环，理解其工作原理 ◇ Case 2：综合案例—钛合金增材制造工艺参数优化 □ 问题定义 □ 构建初始代理模型 □ 设计主动学习循环 □ 执行循环，绘制每一轮中发现的最佳性能的进化图 □ 循环结束后，分析最终推荐出的增材制造工艺参数 论文实例复现与解读： 1.Active learning framework to optimize process parameters for additive-manufactured Ti-6Al-4V with high strength and ductility. Nature Communication, 2025: 16: 931. |
|
|
第五部分 “灰箱”模型与可解释AI |
1. 理论内容： 1.1. “灰箱”模型的核心思想与优势 1.2. 物理信息神经网络核心原理与应用 1.3. 符号回归 1.4. 模型可解释性技术（全局与局部解释、SHAP 理论） 2. 实践内容——构建与解读下一代AI模型（结合相关论文） ◇ Case 1：物理约束神经网络实战 ◇ Case 2：符号回归发现新材料规律 □ 输入系统或材料相关的多维数据，运行符号回归寻找关键描述符 □ 对发现的公式进行合理性评估，判断其是否具有实际解释意义 □ 运用SHAP工具解读一个高性能集成学习模型，获得材料设计指南 □ 全局解释：计算并绘制SHAP特征重要性条形图，识别出影响合金性能的最关键描述符，绘制SHAP摘要图，观察每个描述符与目标性能的单调性或非线性关系 □ 局部解释：选择一个模型预测为超高力学性能的特定合金成分，生成该样本的SHAP力力图，直观展示描述符（特征） |
|
6.
部分案例图展示
7.
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件；
2、培训结束后提供全程录播视频，支持两年内无限次回放；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《AI-数据驱动金属材料设计工程师》专业技能结业证书；
8.
报名费用
￥4600 元/人
（含报名费、培训费、资料费）
2025年12月31日前报名缴费可享受300元早鸟价优惠
老学员或两人（含）以上团报可享受每人额外200元优惠
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科纬来智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
9.
报名方式
讲师招募
互动派教育长期招募讲师，欢迎您的加入！
济济多士，乃成大业，人才蔚起，国运方兴！互动派教育，约您一起，助力中国学术崛起！
这里，会为你创造广阔的发展空间让你大展拳脚！这里，有众多科研学子等待您的传道受业解惑！
快加入我们，让你的梦想与互动派教育相逢吧！
扫描下方二维码，关注我们
互动派教育客服
公众号