结合机器学习探索材料的无限可能 颠覆未来的神奇材料！

第一天

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 

Python基础

1.开发环境搭建

2.变量和数据类型

3.列表

4.if语句

5.字典

6.For和while循环 

实操内容 

Python基础（续）

1.函数

2.类和对象

3.模块

Python科学数据处理

1.NumPy

2.Pandas

3.Matplotlib

第二天

理论内容

1.线性回归

1.1 线性回归的原理

1.2 线性回归的应用

2.  逻辑回归

2.1原理

2.2 使用方法

3.  K近邻方法（KNN）

3.1  KNN分类原理

3.2  KNN分类应用

4. 神经网络方法的原理

4.1 神经网络原理

4.2神经网络分类

4.3神经网络回归

实操内容

1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）

2.逻辑回归的实现与初步应用

3.KNN方法的实现与初步应用

4.神经网络实现

项目实操

1.利用机器学习设计高体积模量高熵合金

2.训练机器学习模型预测多孔材料的催化性能

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

第三天

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

项目实操

1.使用实验数据训练机器学习模型预测金属有机框架材料中的气体吸附

2.通过机器学习方法筛选新型四元半导体化合物

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

第四天

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

3. 数据库

3.1材料数据库介绍

3.2 Pymatgen介绍

实操内容

1. 分子结构的表示与特征提取

2. 聚类、降维等无监督学习方法应用于分子特征处理

项目实操

1. 在机器学习技术的指导下加速钙钛矿材料的发现

2. 机器学习对CO2 封存的解释和预测

第五天

项目实操

１.  基于分子特征和逻辑回归预测分子性质

 2.  基于分子特征的无监督学习综合应用

项目实操

1. 通过机器学习预测 NiCoFe 氧化物催化剂的活性 

2. 利用基于成分的能源材料描述符进行机器学习模型的综合预测

学习目标

机器学习（ML）在材料研究中的应用，让学员能够掌握学习理论知识及熟悉代码实操，文章的复现，学会anaconda、Python、pymatgen等软件、以及机器学习数据采集及清洗、分子结构表示及提取、模型训练和测试、性能评估及优化，KNN、线性回归方法，学会机器学习材料预测，材料分类，材料可视化，多种机器学习方法综合预测等操作技能，独自完成自己的课题研究项目

第一天（pytorch深度学习框架演练）

理论内容

材料数据库（material project, OQMD, AFLOW）

深度学习入门

图神经网络

材料特征工程

实操内容：

Pytorch深度学习框架演练

Pymatgen介绍及结构文件生成

Pymatgen生成相图，构建表面

Megnet，QM9，JDFT等规模化材料数据集的读取

爬虫获取二维数据集

爬虫获取会议文献和期刊文章的数据

 第二天（数据库的数据获取及演练）

实操内容

1. AFLOW数据库的数据获取

1.1 AFLOW数据库功能练习

1.2. 爬虫获取AFLOW数据库的数据

2. OQMD数据库

2.1 OQMD数据库功能练习

2.2 OQMD数据库的数据获取

实操内容

1. material project数据库

1.1 新版material project获取材料XRD、DOS图、能带图、吸收谱等数据

1.2 Pymatgen按照属性要求获取material project材料数据

2. 材料特征工程工具matminer演练

2.1 matminer获取材料数据集

2.2 matminer生成材料描述符演练

第三天（结构数据驱动的高通量计算及案例）

实操和演示内容：

基于结构数据驱动的高通量计算：

1. pymatgen大批量结构获取

2. 基于pymatgen的计算文件生成

3. 大批量计算结果的获取与统计

实操内容：

基于数据驱动的功能材料开发案例一（晶体图神经网络实现材料属性预测）：

1.用PYG搭建图神经网络（GCN、GAT）

2. 晶体图神经网络CGCNN模型代码原理

3. 利用晶体图神经网络实现材料属性预测

第四天（基于数据驱动的多个功能材料开发案例及实操）

实操内容：

基于数据驱动的功能材料开发案例二（半导体材料）：

1. 背景介绍

2. 数据获取

3. 构建特征

4. 传统机器学习和深度学习处理

5. 讨论与评测

实操内容：

1. 基于数据驱动的功能材料开发案例三（钙钛矿材料分类）：

1.1 数据集获取

1.2 构建材料特征

1.3 机器学习训练

1.4 特征可解释性分析

2. 基于数据驱动的功能材料开发案例四（深度学习实现钙钛矿材料性能回归）

2.1 matminer生成材料特征

2.2深度神经网络实现钙钛矿属性预测

2.3传统机器学习与图神经网络预测结果对比

培训目标

1.学习Material Project，AFLOW，OQMD三大材料数据库的数据获取方法。

3.学习主流材料数据库的数据获取方法；

4.深度学习方法在材料预测方面的应用。

部分案例图片

、

讲师简介

      主讲老师来自国内高校胡老师授课，已发表SCI论文近20余篇，研究方向为基于机器学习的分子动力学模拟，包括 构建高效、高精度的AI分子力场模型，采用主动学习或大模型的知识蒸馏方法来获取高质量训练数据集， 开发基于C++的高性能的多GPU并行的LAMMPS的插件。熟知各种AI模型DeePMD, SchNet, DimeNet, SphereNet, DPA2和等变系列模型的Nequip, MACE, Allegro等，精通所有量子化学软件！

     主讲老师来自国内高校孙老师授课，老师擅长利用量子化学方法和机器学习方法预测设计并研究新型能源材料、锂离子电池的电极材料，燃料电池催化剂以及燃料电池体系的整体设计，已在Energy & Materials,Journal of Physical Chemistry Letters, Journal Physical Chemistry C，等权威期刊上发表SCI检索论文近40余篇。老师在我们单位长期授课，参会学员累计四千余人，讲课内容和授课方式以及敬业精神受到参会学员的一致认可和高度评价！人工智能材料化学与深度学习材料更是我们单位的金牌讲师，好评如潮！

授课时间