即将开讲：机器学习在催化材料研究中的应用与实战

2025年10月25日-26日

第一天：基础入门---从数据到第一个预测模型

上午9: 00-11: 00：环境搭建、数据与特征工程

1 导论与环境配置

1.1机器学习为何能加速催化研究？——解决复杂构效关系、筛选海量材料、指导实验设计。

1.2 Python环境搭建全流程：Anaconda创建虚拟环境→安装numpy、pandas、matplotlib、seaborn、scikit-learn、xgboost和shap等python库。

2 从文献到数据：真实催化数据构建

2.1 数据库：Catalysis-Hub、Materials Project和OQMD接口调用示例。

2.2 文献抓取：使用CrossRef API+Python自动爬取DOI与实验数据表格，PDF表格解析提取催化电流密度、过电位及比表面积等，数据清洗。

2.3 特征工程：结构描述符（d-band center、配位数、键长分布）、电子描述符（Bader电荷、态密度（DOS）特征）、形貌/实验条件描述符：粒径、反应温度、pH和溶剂极性

2.4 实操案例：预测析氢反应（HER）过电位，包括自动抓取文献数据，用pandas合并数据，生成csv表格，特征工程与模型训练。

下午14:00-16:00：数据洞察与算法基础

3 数据可视化与相关性分析

3.1 皮尔逊相关系数计算，p值判定

3.2 seaborn.heatmap绘制热图并解释特征与活性关联

3.3 数据解释：HER案例中特征与活性相关性

4 机器学习算法原理与适用场景

4.1 线性/岭/套索回归算法原理与代码实操

4.2 支持向量机算法原理与代码实操

4.3 随机森林算法原理与代码实操

4.4 XGBoost算法原理与代码实操

4.5 PCA算法原理与代码实操

4.6 算法优势/劣势介绍及适用数据规模

第二天：进阶应用---模型优化、解释与综合实战

上午9: 00-11: 00：模型优化与科学解释

5 模型训练、调参与评估

5.1 交叉验证(CV)原理：保证模型稳定性

5.2 网格搜索(Grid Search)原理：自动化调参

5.3 实操案例：优化SVM和XGBoost预测CO2RR产物选择性

5.3 模型评估：MAE、RMSE、R2的计算与如何转化为催化活性意义

5.4 输出预测值 vs 实验值散点图

6 模型可解释性-----SHAP

6.1 SHAP原理简介

6.2 全局可解释性：哪些特征整体最重要？(SHAP摘要图)

6.3 局部可解释性：为什么某个样本会得到这个预测？（SHAP力图/瀑布图）

下午14: 00-16: 00：综合实战与总结

7 综合案例：金属纳米团簇催化剂活性预测

7.1 数据导入与清洗

7.2 PCA降维与可视化

7.3 SVM/XGBoost模型训练

7.4 交叉验证&网格搜索精细调参

7.5 预测值与实验值散点图绘制

7.6 皮尔逊热图绘制

7.7 SHAP分析及相关图绘制

8 高熵催化材料综合实战

8.1 高熵催化剂综合案例一：高熵合金（HEA）析氢活性预测

8.2 高熵催化剂综合案例二：高熵金属氧化物（HEMO）ORR/OER双功能催化

8.3 高熵催化剂综合案例三：高熵氢氧化物（HEH）案例，电化学析氧（OER）稳定性

廖老师，国家重点实验室研究员，在国内和海外知名高校完成博士及博士后研究工作，主要研究方向为基于深度学习的材料性能预测与优化，以及利用机器学习技术加速新型电池材料、催化材料的研发，相关研究发表在Advanced Energy Materials、Small、Energy & Environmental Science等国际知名期刊，累计发表学术论文20余篇，并担任多个期刊审稿人，具有丰富的深度学习与材料科学交叉领域的研究经验。

1699元。

可开具对应的发票和提供报销凭证。

扫码下载APP

课前组建微信上课群，群内互动交流。