国际趋势方面，Nature等顶级期刊近年来持续聚焦“多尺度材料模拟”“AI for Materials”等交叉领域，LAMMPS等计算工具与ML技术的结合已成为研究热点。国际团队在电池催化剂设计、压电材料极化机理解析等领域取得突破性进展，通过图神经网络（GNN）、强化学习（DQN）等技术实现了材料性能的精准预测与高效设计，为新能源材料、绿色催化等技术的发展注入新动能。
国家需求层面，《国家自然科学基金“十四五”发展规划》学科发展战略中强调“重点推进新概念材料人工智能设计和材料共性科学等重要基础性工作；扶持和关注材料加工与成型、理论与模拟等传统学科领域。推动材料科学与其他学科的深度融合，加强变革性材料前沿探索。”
学科发展维度，智能材料模拟技术作为材料科学、计算力学与人工智能的交叉领域，正成为学科前沿与产业应用的核心驱动力。头部企业及科研机构对兼具材料科学理论功底、多尺度模拟能力与机器学习技术的复合型人才需求激增，相关岗位在新能源电池、环境催化等领域持续井喷。
为响应国家战略需求、推动学科交叉创新，助力科研人员与工程师掌握“多尺度模拟+机器学习”的前沿技术体系，提升能源材料研发效率与工业实践能力，特举办此次研修课程。本次培训由北京软研国际信息技术研究院主办，互动派（北京）教育科技有限公司承办，旨在培养兼具理论深度与实践能力的复合型技术人才，赋能新材料领域的技术突破与产业升级。
目录
|
专题一 (直播三天 |
（详情内容点击上方名称查看） 2025年06月14日-06月16日 |
|
专题二 (直播三天 |
（详情内容点击上方名称查看） 2025年05月17日-05月19日 |
|
专题三 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
|
专题四 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
|
专题五 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
|
专题六 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
|
专题七 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
|
专题八 (精品录播) |
（详情内容点击上方名称查看） 即报即学 |
培训对象
有机化工、无机化工、自动化技术、化学、燃料化工、石油天然气工业、环境科学与资源利用、材料科学、新能源等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
培训讲师
多尺度材料模拟与催化设计讲师
双一流及985工程建设高校副教授、硕导。主持国家自科基金及省部级项目10余项，发表SCI 检索论文160余篇，包括PNAS、Angewan. Chem.、Adv. Mater.、Adv. Fun. Mater.、ACS Catal.等化学材料类著名期刊，论文总共他引5800余次，H因子44。主要从事多相催化、电化学以及水处理高级氧化等领域研究。在多尺度理论模拟计算、人工智能机器学习在催化领域中应用等方面积累了丰富的经验。
第一性原理+分子动力学+机器学习讲师
来自世界ESI排名前50的高校。授课讲师有着丰富的分子动力学与机器学习的使用经验，在《Nature Comunications》、《ACS Applied Materials & Interfaces》 、《Journal of Colloid and Interface Science》 、《Chemistry of Materials》、《Energy Storage Materials》等国际顶级期刊发表论文五十篇。
擅长领域：使用高性能的通用型机器学习模型，深度解析并挖掘材料的结构、热力学和力学等物理属性。
往期学员反馈
培训大纲
机器学习赋能的多尺度材料模拟与催化设计前沿技术
|
要点 |
内容 |
|
基础理论与技术前沿方法 |
1. 分子动力学模拟（MD）与第一性原理计算（DFT）基础 (1) 分子动力学模拟（MD）：力场选择（ReaxFF、PCFF）、热力学系综、积分算法、周期性边界条件设置 (2) 第一性原理计算（DFT）：DFT框架、电荷转移分析、过渡态搜索、态密度（DOS）与能带结构分析 2. MD与DFT在能源材料中的应用介绍 (1) 锂硫电池体系： 双原子催化剂建模、异质结构电子离域、聚硫化物催化转化动力学 (2) 压电催化与高级氧化： 压电材料极化模拟、界面反应动力学 (3) 催化转化反应： 熔融催化机理、O₂活化路径 3. 机器学习（ML）在材料科学中的核心方法 (1) 监督学习 回归模型：随机森林、梯度提升树（预测Li⁺迁移能垒） 分类任务：SVM、神经网络（催化剂活性分类） (2) 无监督学习 聚类分析：k-means识别催化活性位点 降维技术：PCA提取关键材料特征 (3) 特征工程 描述符构建：电子结构（能带宽度）、几何构型（孔径尺寸）、热力学参数（吸附能） (4) 图神经网络（GNN） 原子图建模：Fe-V双原子催化剂的图结构表示 迁移学习：聚乙烯裂解模型迁移至葡萄糖催化体系 4. ML在能源材料科学与催化中的前沿应用介绍 (1) 锂硫电池优化：COP隔膜设计、GNN筛选催化剂 (2) 压电催化工艺优化：神经网络映射、强化学习（DQN） (3) 催化升级反应加速：迁移学习模型、活性位点聚类 |
|
多尺度建模与数据驱动技术融合 |
1. 锂硫电池体系的多尺度模拟与ML优化 1.1. DFT与MD协同解析 (1) DFT计算步骤： 构建双原子催化剂模型，计算LiPSs的吸附能，Bader电荷分析 (2) ReaxFF-MD模拟动态过程： 硫正极-电解液界面的多硫化物扩散动力学 案例实操1：DFT计算LiPSs在Fe-V位点吸附构型，LAMMPS模拟扩散系数 1.2. 机器学习驱动的隔膜与电极材料设计 (1) 特征工程： COP隔膜的孔径、官能团类型（-NH₂）、Li⁺结合能 (2) 模型构建：随机森林预测Li⁺迁移能垒 (3) 模型应用与验证：对比实验验证、贝叶斯优化筛选 案例实操2：基于scikit-learn构建COP材料的迁移能垒预测模型 2. 压电催化与高级氧化 2.1. 压电材料极化效应的DFT-MD建模 (1) DFT计算压电响应：应变下MoS2的压电常数（Quantum ESPRESSO） (2) MD模拟界面反应： GROMACS模拟压电材料振动诱导的H₂O分解路径 案例实操3：计算应变对ZnO压电极化的影响 2.2. 机器学习预测污染物氧化降解反应速率 (1) 神经网络预测：输入污染物分子结构式，输出自由基氧化路径速率 (2) 强化学习：DQN算法优化产氢能耗比 案例实操4：基于PyTorch搭建高级氧化污染物氧化降解预测模型 3. 催化转化反应加速 3.1. DFT-MD机理研究 (1) DFT计算裂解反应路径：金属-酸双功能催化剂的C-C键活化 (2) MD模拟熔融态传质过程：CVFF力场下聚乙烯在催化剂表面的吸附 案例实操5：用DFT模拟葡萄糖在H-ZSM-5表面的吸附构型 3.2. 图神经网络（GNN）催化剂设计 (1) 催化剂结构表征与图表示学习： ①构建催化剂原子图，提取拓扑与电子特征 ②训练GNN模型预测芳烃产率 (2) 迁移学习与跨体系泛化：聚乙烯模型迁移至生物质催化 案例实操6：使用DGL库构建GNN模型，预测催化剂的芳烃选择性 |
|
|
智能计算模拟：第一性原理+分子动力学+机器学习 |
|
|
第一部分 DFT+MD+ML基础 |
1. 理论内容 1.1. 计算模拟发展：MD, MC, DFT三大部分 1.2. 人工智能时代背景：大数据与大模型对模拟计算的影响 1.3. 人工智能加入给传统模拟计算带来的哪些变化？ ① 模型建构的新趋势 ② 力场开发中的机器学习应用 ③ AI在模拟过程优化与加速中的作用 ④ 数据后处理技术的发展与智能化 1.4. 统计物理基本理论（系综、边界条件、温度的定义、控温与热浴等） 2. 实例操作 2.1. 软件环境搭建与安装：conda配置虚拟环境，安装GPUMD、LAMMPS、ASE、 Phono3PY、PyNEP、 OVITO、VMD、ATOMSK等软件 2.2. 力场参数生成与MD模拟操作：综合使用MS软件+MSI2LMP快速生成任意有机分子的PCFF/CVFF力场参数文件，并使用LAMMPS软件执行分子动力学模拟 2.3. MS软件的基本介绍与LAMMPS结合使用 a. MSI2LMP与PCFF/CVFF力场的简介 b. LAMMPS入门与经验势使用 c. 简单的分子动力学计算 2.4. 高精度量化数据集获取与机器学习融入MD模拟 a. VASP计算静态与AIMD的参数设置 b. 简单的力场计算实践、LAMMPS的基本使用（机器学习势） c. LAMMPS与机器学习势函数结合的MD模拟 d. 机器学习模型的加载和使用要点 2.5. 数据后处理技术与可视化分析 a. 使用OVITOs的相关代码分析处理数据，包括AIMD和机器学习分子模拟的RDF, MSD, 扩散系数以及键角和二面角的分布情况 b. OVITO软件的基本使用 c. 键角和二面角分布的统计与绘图实现，以及python画图和origin画图的双示例 |
|
第二部分 机器学习力场学习与实践 |
1. 理论内容 1.1. 机器学习力场的重要工作 1.2. 机器学习、神经网络核心原理和训练过程 1.3. 机器学习力场构建流程、应用与优势 1.4. 图神经网络和图卷积网络 a. GNN/GCN概述、SchNet模型特点与实现 b. 消息传递神经网络框架 c. GAP、MTP、ACE、DP、NEP模型深入探讨与对比 1.5. DeePMD在国内的研究与应用现状 1.6. 高性能机器学习力场模型介绍 1.7. NEP+GPUMD系列研究解读 2. 实例操作（NEP+GPUMD集成实战：全流程模型构建与模拟） 2.1. 数据格式转换与数据集构建：使用公开代码工具转化数据格式，并生成训练，验证和测试数据集 2.2. NEP模型超参数设定与理解 2.3. NEP模型全流程操作：安装、准备数据集、训练、验证和测试 2.4. 使用LAMMPS和GPUMD模型执行高精度、高效率、大规模分子动力学模拟 2.5. 机器学习力场驱动的模拟数据后处理与分析 |
|
第三部分 机器学习力场等变模型系列及领域热点 |
1. 理论内容 1.1. MACE模型：融合ACE、消息传递与等变性的创新 1.2. 方法的完备性，效率和系列演进 1.3. 适用于大规模GPU并行框架的NEP模型 1.4. 主流机器学习力场模型的详析与对比 2. 实例操作：（以石墨烯等二维材料为例，深度探究MACE及其他ML力场模型的实践应用） 2.1. NequIP或MACE模型超参数设置与实际应用 2.2. 结合LAMMPS或ASE使用MACE模型构建势函数 2.3. MACE与DeePMD、NEP的精度、数据效率对比 2.4. 计算RDF、MSD、扩散系数等物性并重现文献结果 2.5. 构建及对比DP、NEP、ACE等多种ML力场模型 |
|
第四部分 数据收集方法与应用 |
1. 理论部分 1.1. 公开数据集资源 1.2. 数据增强技术 a. 主动学习技术 b. AIMD+微扰等数据集扩充手段 c. 数据集数据集精简与筛选策略 d. 模型微调技术 2. 实例操作：(主动学习与模型微调在计算模拟中的实践--液态水、SiO2、MOF的完全演示案例) 2.1. ASE环境下主动学习实现与代码解析 2.2. 多GPU并行或单GPU多任务并行与资源优化 2.3. 自主设计主动学习方案 2.4. 预训练模型微调实践 2.5. 微调与从头训练效果对比 2.6. 不同模型（如金属、团簇、孪晶结构、多晶石墨烯）的构建实例 S. 其他备选内容 S1. 其他机器学习内容拓展应用，DNN、DT、XGBoost在计算模拟领域的应用，以多晶石墨烯为例 S2. PFC相场方法建立多晶石墨烯、石墨烯晶界描述符的选取、深度神经网络的训练（与其他机器学习方法对比）、预测 S3. VMD与OVITO等输出高质量的分子结构视觉化效果 |
部分案例图展示：
|
ReaxFF反应力场计算开发技术与应用 |
|
|
第一天 上午 ReaxFF基础理论 |
1. ReaxFF反应力场概述 1.1. ReaxFF反应力场的发展历程和基础 1.2. ReaxFF反应力场参数分枝与详解 1.3. ReaxFF反应力场的应用领域 |
|
第一天 下午 ReaxFF基础入门 |
1. ReaxFF反应力场基础入门 1.1. 所需输入重要文件详解包括 control, geo, ffield等文件 1.2. 结合实例，讲解输入文件命令行，输出文件 1.3. ReaxFF反应力场简单实例操作及结果查看 1.4. ReaxFF反应力场运行软件安装和配置(standalone ReaxFF,LAMMPS) 1.5. ReaxFF 反应力场的选取和准备 
|
|
第二天 上午 ReaxFF计算软件 |
1. 分子建模，可视与计算软件 1.1. 建模软件gview, material studio 1.2. 可视软件molden, VMD, OVITO 1.3. ReaxFF计算软件 standalone ReaxFF, LAMMPS 1.4. ReaxFF 特殊功能介绍：改变温度体积，产生特定比例混合物，设置电荷，限制优化和扫描，添加删除分子，结果查看和分析等 |
|
第二天 下午 ReaxFF计算软件 |
1. Lammps实例操作 1.1. LAMMPS运行设置和后处理程序软件ChemTraYzer等的安装和配置 1.2. Lammps燃烧过程简单例子（模拟和分析） 1.3. LAMMPS高级算例：模拟化学摩擦过程（CMP）：建模，loading和shearing过程模拟，结果分析等 
|
|
第三天 上午 ReaxFF进阶实例 |
1. ReaxFF进阶实例操作，理解计算模拟的过程及物理意义 实例操作：溶液中的质子转移(JPCB,JPCL文献) 1.1. 建立初始模型：重点注意事项(minimization->nvt->compress->npt->nvt) 1.2. 输入文件设置, 开启输出unfolded坐标文件 1.3. 模拟步骤：能量最小化，压缩，系综平衡等 1.4. VMD查看结果分析：msd，扩散系数，rdf，sdf, 质子追踪等 
|
|
第三天 下午 ReaxFF进阶实例 |
实例操作： 碳化硅表面石墨烯的生长（Chem. Mater文献） 1.1. 建模与输入文件，表面选取与准备 1.2. 热分解法生长石墨烯，删除表面硅 1.3. cvd法生长石墨烯，添加乙炔分子 1.4. 可视评估石墨烯质量 （模拟结果统计与可视化） 
|
|
第四天 上午 ReaxFF高级实例 |
1. 量子化学软件CP2K入门 1.1. CP2K基本功能介绍 1.2. CP2K的下载和安装 1.3. CP2K的结构文件的建模 1.4. CP2K输入文件讲解和建立 1.5. CP2K输出文件介绍和可视化转化 
|
|
第四天 下午 ReaxFF高级实例 |
1. CP2K结构优化、过渡态搜索和力场开发实例 1.1. CP2K研究有机分子在固体表面的吸附 1.2. CP2K过渡态计算以及结构和能量提取 1.3. ReaxFF反应力场开发所需文件详解 1.4. 提取CP2K计算结果实现ReaxFF训练集的构建 1.5. ReaxFF力场验证 
|
|
交流互动环节 |
针对学员的问题一一作答 |
|
机器学习材料性能预测与材料基因工程应用实战 |
|
|
机器学习 导论 |
学习目标：对机器学习基本概念进行介绍，让大家对机器学习基本概念有大致了解。明确机器学习方法的适用性，优势，以及局限性等 |
|
Ø 什么是机器学习 Ø 机器学习的应用实例 Ø 机器学习在材料领域的应用 |
|
|
python语言 基础 |
学习目标：机器学习主流实现是python语言。学习机器学习之前，有针对性的对python进行系统的学习，以方便将来开展机器学习的学习 |
|
Ø python安装与开发环境的搭建 Ø 基本数据类型、组合数据类型 Ø 函数、列表 、元组、字典、集合 Ø 控制结构、循环结构 Ø Numpy模块——矩阵的科学计算 Ø Matplotlib模块——数据处理与绘图 |
|
|
深度学习 神经网络 |
学习目标：从零开始手动实现一个神经网络，在这一过程中对所涉及的原理进行系统讲解及实践，让大家能够更深刻的理解算法背后的原理以及实现方法，之后有利于对其他机器学习更全面快速掌握 |
|
Ø logistic 回归与损失函数 Ø 梯度下降法与导数 Ø 计算图的导数计算 Ø logistic 回归中的梯度下降法 Ø 向量化 logistic 回归的梯度输出 Ø 神经网络的梯度下降法 Ø 深层网络中的前向传播 Ø 深度学习框架——Pytorch的使用 ◇ 案例实践教学一：神经网络在催化中的应用——CO2还原 |
|
|
经典机器学习模型及应用 |
学习目标：对在材料领域中最常使用的几种机器学习模型进行介绍，总结它们的优缺点及适用范围，通过动手实践快速掌握几种方法 |
|
Ø 线性模型（线性回归、梯度下降、正则化、回归的评价指标） Ø 决策树（决策树原理、ID3算法、C4.5算法、CART算法） Ø 支持向量机（线性支持向量机、可分支持向量机、不可分支持向量机） Ø 集成学习（AdaBoost和GBDT算法、XGBoost算法、LightGBM算法） Ø 模型选择与性能优化（数据清洗、特征工程、数据建模） Ø Scikit-learn机器学习库的使用 ◇ 案例实践教学二：利用集成学习方法预测杂化钙钛矿的带隙 ◇ 案例实践教学三：利用集成学习实现有机太阳能电池材料快速筛选 |
|
|
材料基因工程 入门与实战 |
学习背景：材料基因工程是当下流行的材料研究新范式，相较于传统试错方法，材料基因以大数据为基础，利用人工智能方法从中提取出关键的构效关系，摆脱了对理化直觉的强依赖及高昂的筛选成本，可以实现高效的高通量材料筛选。 学习目标：从数据库出发，对材料领域常见的数据库进行介绍，之后学习如何利用ASE，pymatgen等软件包批量构建及处理数据集，以及对材料进行特征选择。讲解常见的材料结构表示方法及编码，以及机器学习模型的评估与利用 |
|
Ø 材料基因组概述、材料基因组的基本方法 Ø 常见材料数据库介绍 Ø Material Project数据库、Pymatgen Ø OQMD数据库、AFLOW数据库数据获取与使用 Ø COMPUTATIONAL MATERIALS REPOSITORY数据库与ASE Ø 自定义材料数据集的构建 Ø 材料化学的特征工程 Ø 特征选择（过滤特征、包装到其他评估或集成到训练） Ø 基于sklearn的python实现 ◇ 案例实践教学四：（包含以下内容） ◇ 团簇数据库中平均形成能最低的结构数据库的构建 ◇ 利用MP数据库构建同素异形体结构的mongodb数据库 ◇ 利用Pymatgen对原子性质进行分析 ◇ 利用ASE+Dscribe生成材料指纹和势函数 ◇ 描述符的向量化生成与特征的保存/读取，特征预处理 ◇ 模型性能评估（分类性能、回归性能评估、统计交叉验证）和优化 ◇ （拓展）学习计算材料学领域与特征选择高级相关算法：SISSO |
|
|
图神经网络 入门及实践 |
学习目标：图神经网络是在科学领域最为火热的研究领域。由于化学结构与图论有着天然的适配性，相较于其他模型，图神经网络在材料化学领域更为擅长。在这一部分我们会对图神经网络进行系统的讲解，学习常见的图神经网络架构，实践图神经网络在部分材料中的应用 |
|
Ø 图论简单入门、图神经网络概念介绍 Ø 化学与材料领域经典的图神经网络架构——CGCNN与Schnet Ø 图神经网络在材料中应用的实践 Ø 自定义图的实现：第三方依赖 - PyG 图卷积层：GCNConv ◇ 案例实践教学五：利用图神经网络CGCNN预测无机材料的性能 ◇ 案例实践教学六：利用Schnet实现对分子理化性质的预测 |
|
|
机器学习+Science |
学习目标：机器学习领域前沿内容，让大家了解最新的材料科学与机器学习领域的研究动态，同时介绍几种更为先进的机器学习算法 |
|
Ø 强化学习在材料优化问题中的应用 Ø 主动学习框架的在科学问题中的实现 Ø 生成模型在材料设计中的应用与挑战 Ø Transformer应用——以AlphaFold2为例 |
|
|
应用实例 |
包含以下内容： ◇ 案例实践教学七：多种机器学习模型对量子点发光材料色温的预测 ◇ 案例实践教学八：利用机器学习方法预测半导体材料物理性质 ◇ 案例实践教学九：利用多种机器学习方法对二维材料的性质预测 |
部分案例图展示：
培训特色
1. 多尺度建模与机器学习融合：涵盖分子动力学（MD）、第一性原理计算（DFT）等微观模拟方法，结合机器学习（随机森林、图神经网络GNN）与强化学习（DQN），打通“原子-介观-宏观”跨尺度关联，实现材料性能预测与催化反应路径优化的智能驱动。
2. 工具链与实战案例导向：以VASP、LAMMPS、Quantum ESPRESSO等计算软件为核心，集成scikit-learn、PyTorch、DGL等机器学习框架，构建“DFT计算→MD动态模拟→ML模型训练→验证”全流程实战链，覆盖锂硫电池隔膜设计、压电催化工艺优化等场景。
3. “理论-方法-应用”渐进式培养体系：从力场选择、热力学系综等基础理论，到监督/无监督学习、迁移学习等前沿方法，延伸至能源材料（如聚硫化物催化转化、污染物氧化降解）的工业级应用，确保学员系统性掌握技术栈。
4. 物理机理与数据驱动协同创新：突破纯数据驱动局限，将物理规则（如ReaxFF力场、Bader电荷分析）嵌入机器学习模型（如特征工程中的电子结构描述符、GNN原子图建模），增强模型可解释性，提升跨体系泛化能力。
报名须知
报名费用
（含报名费、培训费、资料费）
|
课程名称 |
价格（元） |
|
|
机器学习赋能的多尺度材料模拟与催化设计前沿技术 |
3600 |
|
|
智能计算模拟：第一性原理+分子动力学+机器学习 |
1999 |
|
|
LAMMPS分子动力学模拟技术与应用 |
1999 |
|
|
ReaxFF反应力场计算、开发技术与应用 |
2399 |
|
|
Gaussian量子化学计算技术与应用 |
1999 |
|
|
第一性原理计算方法及应用 |
1999 |
|
|
机器学习材料性能预测与材料基因工程应用实战 |
1299 |
|
催化设计专题优惠如下：
2025年05月19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；北京中科万维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；
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、培训结束可获得本次所学专题课程全部无限次回放视频；
3、凡参加催化设计专题课程学员后期可免费再参加一次本专题课程；
4、参加直播培训并通过考试的学员，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专业技能结业证书；
联系方式
