《Nature子刊》水凝膠高分子材料性能質變！最新研究成果在多領域大放光彩！

水凝膠高分子材料為機器學習提供了獨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、自適應響應方面具有不可替代的優勢。機器學習則為理解和控制復雜的水凝膠行為、處理其產生的數據、優化其設計和應用提供了強大的工具。雖然目前仍處于早期階段并面臨諸多挑戰，但兩者的深度融合在智能感知、神經形態計算、自適應機器人、個性化醫療和革命性新材料研發等領域展現出極其誘人的前景。未來的突破將依賴于材料性能的提升、制造工藝的進步、新型器件結構的創新以及專門為“濕件”設計的機器學習算法的出現。水凝膠高分子材料與機器學習的結合是一個充滿潛力的新興交叉領域，盡管直接應用還在探索階段，但兩者的協同效應可能在未來多個方向帶來突破性進展。

長期以來，在微觀世界的探索中，科學家們常面臨“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算尺度與效率，要么依賴經驗力場的速度而損失對復雜體系真實物理化學過程的深刻洞察。如今，一場由“AI for Science”驅動的變革正席卷而來，其核心利器——機器學習力場（ML-FFs）——正以“智能引擎”的姿態，徹底打破這一瓶頸。

ML-FFs不僅以驚人的方式學習并復現量子力學的復雜規律，更將模擬的邊界推向了前所未有的廣度和深度。我們正見證著一個新時代的黎明：從原子尺度精準設計下一代能源材料、高效催化劑，到揭示生命過程中關鍵分子的動態奧秘，ML-FFs正以前所未有的能力賦能科學家。頂級期刊上的成果井噴，正是這一變革力量的有力證明。這不僅僅是計算工具的升級，更是科研思維與發現模式的革新。然而，駕馭這強大的“AI引擎”，需要融合量子物理的智慧、分子模擬的技藝與機器學習的精髓。

近年來，物理信息驅動的深度學習技術正在重塑材料失效分析的研究范式。傳統方法依賴經驗模型（如Paris法則）或數值仿真（如擴展有限元XFEM），在應對多尺度損傷演化和復雜邊界條件時面臨計算成本高、泛化性差的局限（Bessa et al., JMPS 2017）。深度學習通過融合物理規律與數據驅動方法，實現了三大突破：跨尺度建模革新、多物理場耦合優化、小樣本學習突破。

專題一

人工智能輔助材料設計

直播專題

（五天內容）

專題二

深度學習材料疲勞與斷裂分析

直播專題

（三天內容）

專題三

機器學習分子動力學

直播專題

（五天內容）

專題四

深度學習第一性原理

直播專題

（五天內容）

專題五

（詳情內容點擊上方名稱查看）

精品錄播

（五天內容）

專題六

（詳細內容點擊上方名稱查看）

精品錄播

（五天內容）

專題七

（詳細內容點擊上方名稱查看）

精品錄播

（五天內容）

01

專題一：人工智能輔助材料設計

專題目標與講師介紹

課程目標

專題內容涵蓋了從基礎Python編程到常見的機器學習算法，并通過實際案例分析與項目實踐，幫助學員理解并掌握如何將機器學習技術應用于材料與化學領域。課程設計注重理論與實踐的結合，逐步深入，讓學員在學習過程中不僅能夠掌握相關算法，還能親自動手解決材料科學中的實際問題。

1.掌握Python編程基礎及其在科學計算中的應用：學會利用Python進行數據處理、模型構建與可視化，熟悉NumPy、Pandas等工具。

2.理解材料與化學中的機器學習方法：掌握線性回歸、邏輯回歸、決策樹、支持向量機等常見算法的基本原理與應用。

3.應用機器學習解決材料科學問題：通過項目實踐，深入理解數據采集、特征選擇、模型訓練與評估等步驟，學會使用sklearn等工具庫完成任務。

4.了解材料數據的特征工程與數據庫應用：學習如何表示分子結構與晶體結構，并了解常見材料數據庫的使用方法。

5.提升實戰能力并引導深入學習：通過多樣化的項目實踐案例，鞏固課程內容，為后續深度學習等更復雜算法的學習打下基礎。

人工智能輔助材料設計主講老師：陳老師來自國內“985工程”頂尖高校材料物理與化學專業，長期從事材料科學、機器學習，未來互聯網與命名數據網絡，量子力學等領域。在多個國際高水平期刊上發表 SCI檢索論文15余篇。國家發明專利一項，他的授課方式深入淺出，能夠將復雜的理論知識和計算方法講解得清晰易懂，受到學員們的一致認可和高度評價！

人工智能輔助材料設計專題大綱

第一天：材料機器學習基礎與Python環境配置

第一天將系統講解機器學習在材料科學中的應用背景與Python編程基礎。分為如下幾個部分：首先概述機器學習在材料與化學領域的核心價值，涵蓋材料發現、性能預測等應用場景；其次將指導學員完成Vscode、Anaconda開發環境搭建，通過變量定義、控制流語句等基礎語法教學，掌握函數封裝、類與對象構建及模塊化編程的進階技巧；最后聚焦科學數據處理工具鏈，系統學習NumPy矩陣運算、Pandas數據分析、Matplotlib/Seaborn可視化技術及文件系統操作，為材料數據建模奠定工程基礎。

【理論內容】

1.機器學習概述

2.材料與化學中的常見機器學習方法

3.應用前沿

【實操內容】

1.Python基礎

1)開發環境搭建

2)變量和數據類型

3)控制流

2.Python基礎（續）

1)函數

2)類和對象

3)模塊

3.Python科學數據處理

1)NumPy

2)Pandas

3)繪圖可視化

4)文件系統

第二天：材料機器學習基礎算法與催化活性預測實戰

第二天將深入解析初級機器學習算法的數學原理及其在材料科學中的典型應用場景。分為如下幾個部分：首先系統講解線性模型家族的理論體系，從線性回歸的解析解推導、邏輯回歸的交叉熵損失函數，拓展到Softmax回歸在多分類任務中的概率建模機制，著重分析激活函數在非線性映射中的關鍵作用；接著引入感知機模型作為神經網絡的基礎原型，通過回歸與分類任務的對比，揭示機器學習算法中最核心的兩類任務的區別。最后以CO2催化活性預測為切入點，在解析催化活性與電子結構特征的關聯規律中，完整演練材料機器學習項目的標準流程：使用金屬氧化物催化劑數據集，結合Scikit-learn庫實現數據標準化處理、特征工程構建、模型選擇、超參數網格搜索與ROC曲線評估。

【理論內容】

1.線性回歸

1)線性回歸的原理

2)線性回歸的應用

2.邏輯回歸

1)邏輯回歸的原理

2)邏輯回歸的應用

3.Softmax回歸

1)Softmax回歸的原理

2)Softmax回歸的應用

4.感知機（淺層神經網絡）

1)感知機的原理

2)使用感知機進行回歸

3)使用感知機進行分類

【項目實操內容】

1.機器學習對CO2催化活性的預測｜機器學習入門簡單案例【文章】

1)機器學習材料與化學應用的典型步驟

a)數據采集和清洗

b)特征選擇和模型選擇

c)模型訓練和測試

d)模型性能評估和優化

2)sklearn庫介紹

a)sklearn庫的基本用法

b)sklearn庫的算法API

c)sklearn庫的模型性能評估

第三天：材料機器學習進階算法與項目實戰

第三天將系統剖析機器學習中的進階算法的數學框架及其在材料復雜體系中的建模策略。分為如下幾個部分：首先從決策樹的信息增益分裂準則切入，對比ID3/C4.5/CART算法的特征選擇差異，并引申至集成學習框架中Bagging（隨機森林）與Boosting（XGBoost）對模型偏差-方差權衡的優化機制；接著解析樸素貝葉斯基于特征條件獨立假設的概率建模方法，及其在材料高通量篩選中的計算效率優勢；最后深入探討支持向量機的核函數映射技巧，通過可視化手段對比線性核、多項式核與高斯核在材料相態分類任務中的決策邊界差異。

實戰環節聚焦材料多尺度特性預測：在雙金屬ORR催化活性預測項目中，通過構建合金組分-電子結構特征矩陣，運用隨機森林的變量重要性分析篩選關鍵描述符，結合Adaboost算法提升預測精度；在高熵合金相態分類任務中，基于原子半徑、電負性等特征，演示支持向量機如何通過核函數變換處理非線性可分數據，并可視化決策超平面；同時拓展至生物炭材料回歸預測，利用支持向量回歸（SVR）分析孔隙率-吸附性能的定量關系。課程將結合Scikit-learn工具鏈，貫穿特征標準化、交叉驗證、混淆矩陣評估等工業級實踐流程。

【理論內容】

1.決策樹

1)決策樹的原理

2)決策樹的應用

2.集成學習

1)集成學習的原理

2)集成學習的方法和應用

3.樸素貝葉斯

1)樸素貝葉斯的原理

2)樸素貝葉斯的應用

4.支持向量機

1)支持向量機的原理

2)支持向量機的應用

【項目實操內容】

1.利用集成學習預測雙金屬ORR催化劑活性【文章】

1)Sklearn中的集成學習算法

2)雙金屬ORR催化活性預測實戰

a)數據集準備

b)特征篩選

c)模型訓練

d)模型參數優化

2.使用支持向量機預測高熵合金相態

1)支持向量機的可視化演示

a)繪制決策邊界

b)查看不同核函數的區別

2)支持向量機預測高熵合金相態（分類）

a)數據集準備

b)數據預處理

c)特征工程

d)模型訓練及預測

3)支持向量機預測生物炭材料廢水處理性能（回歸）

a)數據集準備

b)數據預處理

c)模型訓練及預測

第四天：材料無監督學習與分子特征工程實踐

第四天將系統構建材料數據表征體系與無監督分析技術棧。分為如下幾個部分：首先解析無監督學習的核心范式，對比K-Means聚類與DBSCAN密度聚類在材料相組成識別中的差異，詳解常用的無監督學習技術在材料高通量篩選中的可視化應用；接著深入探討材料特征工程的數學表達方法；最后結合Materials Project、COD等材料數據庫，演示通過Pymatgen工具包自動化獲取晶體能帶結構、彈性張量等關鍵性質數據。

實戰環節聚焦材料多模態數據處理：在石墨烯樣品表征任務中，通過處理二維電鏡圖像，運用無監督聚類算法實現樣品質量分級；針對高能材料分子性質預測，構建從SMILES字符串到3D分子坐標的全流程特征工程：使用RDKit生成初始構型，通過ASE優化分子結構，計算庫倫矩陣與原子極化張量作為量子化學特征，對比Morgan指紋與MACCS鍵合描述符對機器學習模型性能的影響。

【理論內容】

1.無監督學習

1)什么是無監督學習

2)無監督學習算法-聚類

3)無監督學習算法-降維

2.材料與化學數據的特征工程

1)分子結構表示

2)晶體結構表示

3.數據庫

1)材料數據庫介紹

2)Pymatgen介紹

【項目實操內容】

1.無監督學習在材料表征中應用

1)K-Means聚類算法

2)石墨烯樣品數據集準備

3)二維電鏡圖像處理

4)聚類及統計

2.利用機器學習預測高能材料分子性質

1)高能分子數據集準備

2)從SMILES生成分子坐標

3)從分子坐標計算庫倫矩陣

4)測試不同分子指紋方法

5)比較不同特征化方法

6)模型性能評估

第五天：材料機器學習項目實踐專題

第五天將深度融合前沿模型技術與材料多尺度特性預測場景。分為如下幾個部分：首先系統解析大語言模型在材料研究中的創新應用范式，重點講解DeepSeek的transformer架構原理及其在材料文獻挖掘、實驗方案生成等場景的提示詞工程技巧；接著深入探討更多的材料機器學習的常見技術路徑，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構的內在關聯規律；最后為構建深度學習技術棧打基礎，對比PyTorch動態計算圖與Scikit-learn靜態架構在復雜材料建模中的工程差異。

【項目實操內容】

1. DeepSeek提示詞工程和落地場景

1)DeepSeek簡介

2)大語言模型和DeepSeek原理

3)DeepSeek提示詞工程和落地場景

2.利用機器學習加速發現耐高溫氧化的合金材料

4)合金材料數據集準備

5)數據預處理

6)特征構建和特征分析

7)多種模型訓練

8)使用訓練好的模型進行推理

3.決策樹（可解釋性機器學習）預測AB2合金的儲氫性能

1)儲氫合金材料數據集準備

2)決策樹基本流程

3)動手建立一棵樹

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別

4.分子滲透性分類預測

7)使用定量的1D分子描述符和不同的機器學習模型進行QSAR模型的訓練和預測

8)使用定性的2D分子描述符和不同的機器學習模型進行QSAR模型的訓練和預測

9)比較不同分子描述方法對QSAR模型性能的影響

5.多層感知機預測單晶合金晶格錯配度

1)PyTorch與Scikit-learn中多層感知機的區別

2)使用PyTorch構建多層感知機

3)訓練PyTorch多層感知機模型預測單晶合金晶格錯配度

4)PyTorch多層感知機模型參數優化

上下滑動查看完整大綱

02

專題二：深度學習材料疲勞與斷裂分析

專題目標與講師介紹

課程目標

課程首創三維能力培養框架：第一維度打通材料本構理論（從晶體滑移到連續損傷）與深度學習基礎（ANN/CNN/Transformer）；第二維度建立物理約束的數學模型（PINN變體、守恒律嵌入技巧）；第三維度攻克跨尺度數據融合技術（微CT-聲發射-DIC異構數據處理）。通過張量分解、注意力機制等前沿算法，實現從納觀位錯演化到宏觀斷裂行為的智能關聯。Day1-2完成材料智能表征體系構建，覆蓋本構參數智能反演、合金性能預測等核心能力；Day3聚焦工程失效場景攻堅：基于J積分的斷裂判據智能實現、多尺度GAN數據傳遞框架開發、蠕變/腐蝕/復合載荷耦合分析。所有模塊均配備工業級案例，包含單邊裂紋穩定性診斷（COMSOL+PyTorch融合）、風電葉片全場應變重構等企業剛需場景。通過體系化訓練，學員將掌握：

①材料性能深度表征能力（物理約束的彈性/塑性/損傷參數識別）

②智能裂紋診斷技術（U-Net分割精度＞95%、ResNet階段分類）

③壽命預測工程部署（Paris-神經網絡混合模型誤差＜8%）

④工業場景轉化技能（渦輪盤蠕變分析、風電葉片數字孿生構建）。

最終達成三大跨越：從傳統經驗公式到數據驅動的分析范式升級，從單點預測到全壽命周期監控的能力拓展，從實驗室模型到工程系統的落地部署。

技術方向

代表性文獻

跨尺度建模

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

物理信息學習

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

數據生成

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

工程應用挑戰

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

深度學習材料性能與斷裂疲勞預測主講老師：來自中國TOP1高校，在國內頂尖教授組中從事材料領域研究，光學聲學材料物理方向，在機器學習深度學習輔助的材料設計研究領域深耕多年，具有豐富的經驗和扎實的基礎。以第一作者或通訊作者在AM，AFM、ACS nano、JMR，ES等行業頂級期刊發表論文二十余篇，參與過多項國家級項目，擔任JMR、APl等多個雜志的審稿人。

深度學習材料性能與斷裂疲勞預測專題大綱

Day 1：材料性能表征與深度學習基礎

深入解析材料力學基本概念，并搭建深度學習框架，為后續斷裂與疲勞分析奠定基礎。

【理論部分】

1、材料性能基礎理論

• 彈性、塑性與損傷本構模型

• 胡克定律與非線性本構關系

• 多場耦合下的材料響應

2、深度學習核心概念

• 神經網絡架構：ANN、CNN、RNN

• 反向傳播算法與常用優化器（SGD、Adam）

• 物理信息神經網絡（PINN）原理

3、數據獲取與預處理

• Workbench仿真獲取應力–應變曲線

• 傳感器與數字圖像相關（DIC）數據處理

• 數據增強與歸一化技術

【實操案例】

Python 案例案例1：材料本構參數識別

• PyTorch 環境搭建

• 構建 PINN 模型并定義損失函數

• 訓練與驗證：識別彈性與塑性參數

Python 案例案例2：合金性能預測

• 通過訓練神經網絡預測不同合金成分的力學性能（如硬度、強度、延展性等）

• 數據集可以包含各種合金的成分及其實驗測試結果

Python 案例3：疲勞壽命預測

• 搭建 U-Net 裂紋分割模型

• 基于 Paris 法則與深度特征的壽命預測網絡

• 端到端訓練與結果可視化

Python 案例4：材料的裂紋檢測

• 使用CNN

• 分析材料圖像中的裂紋、缺陷等不連續性，

Day 2：斷裂力學與疲勞壽命預測

圍繞裂紋萌生、擴展機理與壽命評估，結合深度學習算法，實現智能化分析。

【理論部分】

1、斷裂力學基礎

• 應力強度因子 K 計算方法（線性彈性與 J 積分）

• 裂尖應力場與局部塑性化

2、疲勞裂紋擴展理論

• Paris 法則、Forman 準則與多段加載

• 概率模型：Weibull 分布與蒙特卡洛模擬

3、智能裂紋檢測與分類

• 裂紋圖像處理與特征提取

• U-Net 網絡在裂紋分割中的應用

• ResNet 網絡進行裂紋階段分類

4、多物理場耦合分析

• 腐蝕疲勞基本理論

• 遷移學習提升泛化能力

【實操案例】

Python 案例5：預測材料硬度

• 使用神經網絡模型預測不同材料（如鋼鐵、鋁合金、陶瓷等）的硬度。

• 數據集包含材料的元素組成、晶格結構、加工方式等特征。

Python 補充案例：穿孔板的脆性斷裂：使用相場損傷模型，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驗數據對比，展示穩定求解器配置方法。

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

Day 3：高性能材料疲勞斷裂綜合案例與前沿技術

【綜合案例】

案例6：單邊裂紋計算

• 基于J 積分計算應力強度因子 KI

• 結合comsol進行深度學習，與材料臨界韌度KIc 比較以判斷斷裂風險，演示拉伸載荷下裂紋穩定性分析。

綜合案例7：多尺度疲勞分析方法

• 宏–微觀數據傳遞的 GAN 架構

• 跨尺度仿真工作流設計

綜合案例8： 工程應用案例

• 渦輪靜葉片蠕變變形分析：研究高溫環境下的蠕變行為，分析溫度場對應力松弛和變形的控制機制。

• 帶角裂紋的板NAFEMS 基準案例：通過多角度裂紋分析 KI 和 KII，應力場分布對斷裂類型影響，驗證仿真模型與標準數據的一致性。

• 混凝土梁耦合損傷-塑性模型：模擬鋼筋混凝土結構在復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，深入理解脆性斷裂數值處理。

上下滑動查看完整大綱

03

專題三：機器學習分子動力學

學習目標與講師介紹

課程目標

機器學習分子動力學本次“機器學習分子動力學專題研修班”旨在幫助學員系統掌握AI4Science時代下機器學習力場的核心理論與實踐技能。通過為期五天的強化學習，學員將能夠：

1.快速認知：量子化學計算在ML-FF數據生產中的角色與基本操作。

2.入門和理解：機器學習的基本原理、神經網絡核心概念及其在分子模擬中的應用。

3.熟練運用：LAMMPS分子動力學模擬軟件進行傳統模擬與ML-FF驅動的模擬。

4.精通掌握：以DeePMD-kit系列和MACE為代表的先進機器學習力場模型的理論、構建、訓練與驗證方法。

5.深入了解：NequIP、Allegro等具有超高數據效率的等變模型，理解其核心思想與優勢，從而顯著減輕高昂的數據生產成本。

6.掌握運用：機器學習力場領域的“ChatGPT”產品——開箱即用、免費開源的通用大模型（如MACE-OFF23, MACE-MP0, DPA系列）及其微調技巧。

7.實踐操作：課程將附帶大量相關代碼與示例腳本，確保學員通過實操提升解決實際科研問題的能力。

機器學習分子動力學主講老師：來自全國重點大學、國家“985工程”、“211工程"重點高校，長期從事固態電解質材料的第一性原理、分子動力學模擬研究，特別是在利用計算模擬方法和機器學習相結合來加速材料篩選，性能預測等方面有深入研究。他的授課方式淺顯易懂，特別擅長從簡單角度出發，逐漸深入講解復雜的理論知識和計算方法!目前共發表論文（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。

機器學習分子動力學專題大綱

第一天：AI4Science時代的分子模擬基石

1.理論內容

1.1 AI for Science與分子模擬新范式

1.1.1 科學研究的四范式演進：從實驗、理論、計算到數據驅動

1.1.2 AI for Science (AI4Science) 時代的核心理念與機遇

1.1.3 分子動力學模擬在AI4Science中的角色：從傳統經驗力場、第一性原理到機器學習力場的跨越

1.2 機器學習力場（ML-FFs）概覽

1.2.1 ML-FFs的核心優勢：兼顧第一性原理精度與經驗力場效率

1.2.2 ML-FFs的基本工作流程：數據生成、模型訓練、模型驗證、應用模擬

1.2.3 ML-FFs的主要分類、發展歷程及關鍵里程碑

1.3 分子動力學（MD）模擬基礎回顧

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

1.3.2 LAMMPS模擬軟件介紹：架構、安裝、基本使用

1.3.3 LAMMPS輸入文件（in script）結構解析：單位、原子類型、力場參數、模擬指令

1.3.4 常見傳統力場（如EAM, Lennard-Jones, GAFF）簡介及其參數獲取

1.4 第一性原理（AIMD）數據生成引言

1.4.1 為何需要第一性原理數據：ML-FF的數據來源

1.4.2 常用量子化學計算軟件簡介（CP2K, VASP, ORCA）：在ML-FF數據生成中的作用（概念性介紹）

1.4.3 簡介XTB等半經驗方法作為快速數據生成的選項

2.實操內容

2.1 科研計算環境搭建與基礎操作

2.1.1 Linux系統常用命令與Shell腳本入門

2.1.2 HPC超算平臺使用簡介：作業提交、隊列管理

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

2.2 經典MD模擬與數據分析入門

2.2.1 使用LAMMPS運行簡單體系（如金屬、簡單有機分子）的經典MD模擬

2.2.2 MD軌跡數據（dump, log）的基本解讀

2.2.3 使用OVITO/VMD進行軌跡可視化

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

第二天：深入DeePMD-kit：從理論到實踐

理論內容

1.1 機器學習入門與神經網絡基礎

1.1.1 機器學習核心概念：監督學習、損失函數、梯度下降、過擬合/欠擬合

1.1.2 神經網絡：神經元、激活函數、全連接層、反向傳播

1.1.3 卷積神經網絡（CNN）、循環神經網絡（RNN）、Transformer等基本框架簡介

1.2 DeePMD-kit模型詳解

1.2.1 基于描述符的ML-FF回顧：Behler-Parrinello神經網絡（BPNN）

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

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

1.3 DeePMD-kit模型訓練與優化

1.3.1 輸入腳本（input.json）詳解：模型參數、訓練參數、學習率策略

1.3.2 訓練過程監控：loss曲線分析、模型驗證

1.3.3 模型凍結（freezing）、壓縮（compression）原理與應用

1.3.4 常見訓練問題與調試技巧

1.4 DP-GEN：多任務、高效率主動學習數據生成

1.4.1 主動學習（Active Learning）在ML-FF中的應用

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.實操內容

2.1 DeePMD-kit環境配置與數據準備

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

2.1.2 訓練數據的格式與預處理：能量、力、virial的組織

2.1.3 使用工具將第一性原理計算輸出轉換為DeePMD訓練格式

2.2 DeePMD-kit模型訓練、測試及LAMMPS聯用

2.2.1 訓練一個簡單的DeePMD模型（提供示例數據集）

2.2.2 模型測試：力、能量的精度評估與誤差分析

2.2.3 將訓練好的DeePMD模型（.pb文件）與LAMMPS聯用進行MD模擬

2.2.4 DP-GEN的基本配置與運行演示

第三天：等變神經網絡力場：NequIP與Allegro

理論內容

1.1 圖神經網絡（GNN）與分子表示

1.1.1 圖的基本概念與在分子系統中的應用

1.1.2 消息傳遞神經網絡（MPNN）框架

1.1.3 早期基于GNN的力場模型簡介（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、平移、置換對稱性在物理系統中的重要性

1.2.3 SO(3)/E(3)等變性對數據效率和泛化能力的提升

1.2.4 球諧函數與張量積在構建等變特征中的應用簡介

1.3 NequIP模型詳解

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

1.3.2 核心組件：等變卷積、張量積的運用

1.3.3 NequIP的優勢、局限性及代碼框架

1.4 Allegro模型詳解

1.4.1 NequIP團隊的后續工作：Allegro的動機與改進

1.4.2 基于張量積的局部環境描述符與迭代更新

1.4.3 Allegro在計算效率和可擴展性上的提升

2.實操內容

2.1 等變性概念的直觀理解與可視化

2.1.1 Python代碼示例：可視化旋轉操作對等變/不變特征的影響

2.1.2 E3NN庫的簡單介紹與使用示例

2.2 NequIP/Allegro模型的初步使用

2.2.1 NequIP/Allegro軟件安裝與環境配置

2.2.2 使用預訓練模型進行預測或運行示例訓練

2.2.3 超參數文件（YAML格式）解讀與初步調整

第四天：MACE模型：精度、效率與可解釋性的探索

理論內容

1.1 原子團簇展開（ACE）方法回顧

1.1.1 ACE作為一種系統性的、完備的原子環境描述方法

1.1.2 其與傳統描述符和圖方法的聯系與區別

1.2 MACE (Multi-ACE) 模型詳解

1.2.1 MACE模型架構：結合ACE的高階身體項與消息傳遞框架

1.2.2 等變性在MACE中的實現方式

1.2.3 MACE模型的完備性、數據效率和計算效率分析

1.2.4 MACE在不同體系（有機分子、材料、生物大分子）中的應用案例

1.3 MACE模型訓練與超參數調優

1.3.1 MACE訓練腳本與關鍵超參數解讀（如r_max, num_interactions, correlation order, hidden_irreps）

1.3.2 訓練技巧、收斂性判斷與模型驗證策略

1.3.3 MACE與DeePMD在數據效率、精度、計算成本上的對比討論

1.4 Mattersim平臺與相關工具生態

1.4.1 Mattersim作為支持MACE等模型開發與應用的平臺/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 將訓練好的MACE模型導出為TorchScript格式，以便在LAMMPS等軟件中使用

2.實操內容

2.1 MACE環境配置與數據準備

2.1.1 MACE軟件安裝與依賴（PyTorch, e3nn）

2.1.2 訓練數據格式要求（如ASE Atoms對象）

2.1.3 將常見數據格式轉換為MACE訓練所需格式

2.2 MACE模型訓練與LAMMPS聯用

2.2.1 運行MACE提供的示例訓練腳本，分析訓練日志與輸出

2.2.2編譯LAMMPS使其支持TorchScript模型接口

2.2.3 使用訓練好的MACE模型通過LAMMPS進行分子動力學模擬

第五天：通用大模型、微調技巧與前沿展望

理論內容

1.1 ML-FF領域的預訓練大模型

1.1.1 “機器學習力場領域的ChatGPT”：通用大模型的概念與意義

1.1.2 MACE-OFF23：針對有機分子體系的通用力場詳解

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

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 其他開源大模型簡介與獲取渠道（如CHGNet等）

1.2 大模型的微調（Fine-tuning）策略與技巧

1.2.1 為何需要微調：提升在特定體系或性質上的表現

1.2.2 微調的數據準備、參數設置與常見技巧

1.3 高級應用與專題

1.3.1 多GPU并行訓練ML-FFs的策略與實踐（DeePMD, MACE）

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

1.3.3 分子模擬結果的高級后處理與分析：徑向分布函數(RDF)、角分布函數(ADF)、擴散系數(MSD)等

1.3.4 使用Python進行高質量科研繪圖（Matplotlib, Seaborn）

1.4 ML-FFs的挑戰與未來展望

1.4.1 當前ML-FFs面臨的挑戰：長程相互作用、反應模擬、可解釋性、數據稀疏區域的泛化等

1.4.2 結合多尺度建模、強化學習、AI生成模型等方向的未來趨勢

2.實操內容

2.1 使用與微調預訓練MACE模型

2.1.1 下載并使用MACE-OFF23/MACE-MP0進行特定體系的能量/力預測

2.1.2演示對預訓練MACE模型進行微調的過程

2.1.3 對比微調前后模型在特定任務上的表現

2.2 模擬結果分析與繪圖

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

2.2.2 計算并繪制能量、力預測曲線，徑向分布函數，鍵長/鍵角分布等

上下滑動查看完整大綱

04

專題四：深度學習第一性原理

學習目標與講師介紹

課程目標

1.深化學習理論基礎：掌握薛定諤方程、DFT原理及交換-相關泛函的影響機制

2.熟練掌握計算技能：完成材料建模→結構優化→電子結構計算全流程，優化平面波基組參數

3.材料特征工程學習：構建二維材料拓撲/光譜特征，開發材料性能預測模型（如催化劑、硬度）

4.掌握神經網絡機器學習融合方法：搭建CGCNN網絡，實現分子動力學軌跡分析及材料屬性預測

5.掌握綜合應用實例：研究多物理場耦合（楊氏模量、熱導率、超導材料）及缺陷體系（螺位錯、薄膜生長）

6.掌握計算工具：Python（NumPy/Pandas/scikit-learn/tensor-flow）、pymatgen、機器與深度學習框架

深度學習第一性原理主講老師：來自中國頂尖高校，在機器學習、深度學習算法與材料物理模擬領域擁有豐富的研究與教學經驗，專注于深度學習算法優化、第一性原理計算與超導材料研究。多年來致力于運用機器學習和深度學習技術推動材料設計與性能優化，特別是在機器學習算法、二維材料及其同位素材料深度學習第一性原理模擬及超導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 等頂級期刊發表論文二十余篇。

深度學習第一性原理專題大綱

第一天：基礎理論與環境搭建

上午 理論模塊

量子力學在材料科學中的基石作用

? 薛定諤方程的物理意義與計算挑戰，量子力學固體物理超導物理的基本架構

? Hohenberg-Kohn定理：從波函數到電子密度

? Kohn-Sham方程的降維革命

? 深度學習第一性原理文獻綜述

下午 實操模塊

Python的基本語法：縮進，注釋，變量命名規則。

數據類型詳解：整數，浮點數，字符串，布爾值。

序列類型：列表，元組，集合的操作與區別。

映射類型：字典的創建，訪問與修改。

條件語句：if－elif－else 的使用場景與邏輯判斷。

循環語句：for 循環與 while 循環的語法與應用。

循環控制：break，continue，pass 語句的作用與使用場景。

自定義函數：函數的定義，參數傳遞，返回值。

模塊的導入與使用：標準庫與第三方庫的調用。

類與對象的基本概念：封裝，繼承，多態。

類的定義與實例化：屬性與方法的使用。

面向對象的設計思想：如何通過類組織代碼結構。

NumPy 數組的創建與操作：數組的形狀，索引，切片。

數學運算：矩陣運算，統計函數，隨機數生成。

示例應用：數據標準化，矩陣變換等。

Pandas：數據分析利器

數據結構：Series 與 DataFrame 的創建與操作。

數據處理：數據清洗，篩選，分組，聚合。

數據讀寫：CSV，Excel 文件的讀取與保存。

案例1：材料數據的預處理與分析。

案例2：識別圖片，對材料進行分類識別檢測。

案例3：二維材料的性能提取

第二天：第一性原理計算核心技能

上午 理論模塊講解

1.第一性原理計算：薛定諤方程、波函數與電子狀態、Hohenberg-Kohn 定理、

Kohn-Sham 方程、交換-相關泛函、晶格的周期性、平面波與平面波基組的python實現。

2.平面波基組優化策略

3.案例4：構建石墨烯結構：進行第一性原理計算，對結構進行微擾建模。

下午實戰模塊

1.案例5：異質結形成能計算

2.案例6：石墨烯能帶結構可視化

3.案例7：使用Python 實現批量計算任務的生成與提交。

4.案例8：高效計算流程：并行計算、分布式計算的優化。

5.案例9：結構優化結果分析：能量、晶格參數、原子位置的收斂性。

6.案例10：COF材料結構、力學性質、熱學性質的計算與分析。

7.專題研究：使用Matplotlib 繪制能帶圖、態密度圖等。

第三天：高通量計算與特征工程

上午 實戰模塊

1.自動化腳本開發：pymatgen 的功能與應用場景：從材料結構到計算文件的生成。

2.材料項目（Materials Project）數據庫的訪問與數據提取。

3.使用pymatgen 獲取晶體結構：通過材料 ID 或化學式查詢。

4.批量下載結構數據：自動化腳本編寫與數據管理。

5.案例11：二氧化碳還原反應的催化劑設計、選擇與催化劑性能相關的特征（如電子結構、表面性質等）、使用Scikit-Learn 搭建線性回歸、決策樹等模型、通過交叉驗證評估模型的預測性能、用機器學習預測二氧化碳還原催化劑的少特征模型

6.案例12：異質結材料模型結構優化

7.案例13：材料硬度計算與預測

下午理論+實戰

1.特征工程深度解析：

? 拓撲特征提取（難點案例：超導 Kitaev鏈，超導性能預測）

? 光譜特征生成（吸收/拉曼光譜案例）

2.案例14：GaAs光學結構模擬（案例GaAs optical）

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

第四天：深度學習與分子動力學

上午 理論模塊

1.神經網絡詳解

? 神經網絡基礎理論以及實現基本的CNN、GNN

? 晶體圖卷積網絡（CGCNN）

? 材料屬性預測的端到端學習

2.常見神經網絡框架結構搭建、tensor flow詳解以及深度學習-機器學習綜合應用詳解。

下午實戰模塊

1.案例16：拓撲超導體模擬（詳解+難點）

2.案例17：水分子動力學（AIMD軌跡分析）

第五天：綜合應用與前沿探索

上午理論+實戰

1.機器學習勢場開發：利用機器學習方法構建高精度原子間勢函數，替代傳統經驗勢場，提升分子動力學模擬效率與準確性。

2.案例18：楊氏模量計算：通過應變-能量關系或應力-應變曲線，模擬材料在彈性變形下的剛度特性，評估力學性能。

3.案例19：相變材料的計算與預測：結合分子動力學或第一性原理，研究溫度/壓力誘導的相變行為，預測新材料相圖。

下午終極挑戰

1.案例20：熱電材料性能優化（量子阱GaAs案例）：通過能帶工程和缺陷調控，優化GaAs量子阱結構的熱電轉換效率。

2.案例21：螺位錯的第一性原理-相場方法生成與模擬：模擬晶體中螺位錯的運動與相互作用，揭示其對材料塑性變形的影響機制。

3.案例22：CVD、薄膜生長合成材料的第一性原理計算與模擬建模：模擬化學氣相沉積過程，預測薄膜生長動力學與微觀結構演化。

4.案例23：熱導率計算：基于Green-Kubo公式或非平衡分子動力學，結合機器學習勢場，高效計算材料熱輸運性質。

上下滑動查看完整大綱

往期學員反饋

課程會議完畢后老師長期解疑，課程群不解散，往期會議學員對于會議質量和授課方式一致評價極高！

課程模式

1、線上授課時間和地點自由，建立專業課程群進行實時答疑解惑。

2、理論＋實操授課方式，由淺入深式講解，結合大量實戰案例與項目演練，聚焦人工智能技術在第一性原理、電解質、催化劑領域的最新研究進展。

3、課前發送全部學習資料（上課所有使用的軟件、包括豐富的PPT，大量的代碼數據集資源）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，免費贈送二次學習，永不解散的課程群答疑服務，可以與相同領域內的老師同學互動交流問題，讓求知的路上不再孤單！

增值服務

1、凡參加人員將獲得本次課程學習資料及所有案例模型文件；

2、課程結束可獲得本次所學專題全部回放視頻；

3、課程會定期更新前沿內容，參加本次課程的學員可免費參加一次本單位后期舉辦的相同專題課程（任意一期）

專題時間

人工智能輔助材料設計

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）

深度學習材料性能與疲勞斷裂預測

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）

機器學習分子動力學

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）

深度學習第一性原理專題

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）

專題費用

專題名稱

專題費用

人工智能輔助材料設計

4980

深度學習材料性能與疲勞斷裂預測

2980

機器學習分子動力學

4980

深度學習第一性原理

4980

以上費用包含：

1.課程回放無限次觀看

2.學員答疑群（永久答疑）

3.免費參加后續一期本專題內容

4.課程全部資料（軟件，PPT，文件等）

優惠活動：

優惠1：報名成功后轉發朋友圈或50人以上群聊即可優惠300元

優惠2：報二贈一同時報兩個專題價格為9080元（免費贈送一個專題，贈送專題任選）

同時報三個專題價格為12880元

參加一年專題課程價格為16880元（可免費學習一整年本單位舉辦的任意專題）

報名費用可開具正規報銷發票及提供相關繳費證明、邀請函，可提前開具報銷發票、文件用于報銷

報名咨詢方式

聯系人｜王老師

咨詢電話｜17654576050（微信同號）