轟動全球！國內“天才博士生”獨自發Nature一作！在催化領域一戰成名！

具有最大化金屬利用率和離散能級的單原子催化劑（SACs），在多相催化、能量轉換、環境科學和生物醫學領域展現出廣闊的應用前景。其活性和穩定性由金屬-吸附質與金屬-載體這兩對相互作用共同調控。然而，從本質上理解這些相互作用與催化性能的關聯仍存在挑戰——活性與金屬原子電荷態的關聯研究常得出相互矛盾的結論。國際頂尖課題組表明：在14種半導體氧化物載體上，鈀單原子（Pd1）催化劑的活性與載體最低未占分子軌道（LUMO）能級位置呈現線性縮放關系。通過將載體粒徑減小至納米級別可提升LUMO能級位置，從而在乙炔半加氫反應中創下超高活性紀錄并兼具優異穩定性。研究發現：載體LUMO能級的提升可縮小其與Pd1原子最高占據分子軌道（HOMO）的能隙，這既增強了Pd1-載體軌道雜化以提高穩定性，又通過修飾錨定Pd1原子的LUMO能級來強化Pd1-吸附質相互作用以提升活性。這些發現與前線分子軌道理論相符，為理性選擇具有可預測活性的金屬-載體組合提供了通用描述符。

能源存儲技術作為可再生能源發展的關鍵支撐，正迎來前所未有的發展機遇。固態電池因其高能量密度、安全性和長循環壽命等優勢，被視為下一代儲能技術的核心方向。人工智能技術的融入，為固態電池的研發、制造和系統優化提供了全新的技術路徑。

采用機器學習（ML）技術（包括無監督、有監督、強化學習等），結合密度泛函理論（DFT）、分子動力學模擬（MDS）及實驗數據，構建數據庫并優化模型，提高了ML在高能量密度電池材料（正負極、電解質）設計、固態電解質開發、快充技術優化、電池壽命預測及回收利用等過程中的應用，分析了不同ML算法在材料篩選、性能預測等方面的作用。解決了電池研究中數據庫不完整、模型精度低、實驗驗證難等問題，通過針對性數據集構建、策略性模型選擇等，為突破高能量密度、固態電解質開發等五大挑戰提供了方向，推動ML與電池科學的融合。

項目專題

1

機器學習催化劑設計專題

2

機器學習鋰離子電池專題

3

機器學習固態電池專題

學習目標

機器學習催化劑專題

1.課程將系統引導學員深入理解電催化、熱催化、光催化的核心原理，同時全面剖析機器學習、深度學習及圖深度學習在催化領域的應用背景與適用范疇。通過 Python 語言基礎與機器學習算法的專項學習，學員不僅能夠清晰梳理機器學習從萌芽到蓬勃發展的歷史脈絡，洞悉其在信息時代于不同領域的多樣化表現形式，更將通過實踐操作，切實掌握將機器學習技術應用于科學研究的關鍵技能，為催化領域的前沿探索奠定堅實基礎。

2.課程助力學員精準把握傳統機器學習算法與深度學習算法的本質差異，熟練掌握 sklearn、torch 等主流第三方庫的核心功能與應用技巧。通過系統學習與實踐，學員將能夠靈活運用樹模型、深度神經網絡、卷積神經網絡、循環神經網絡等算法模型，深度融入科學研究場景。同時，借助機器學習的可解釋性分析方法，深入挖掘數據背后的科學規律，精準闡釋催化反應機制，實現數據驅動與理論解析的深度融合，為科學研究提供創新分析視角與可靠技術支撐。

3.通過培養學員將機器學習應用在催化領域的研究思維，加速研究范式轉變。將機器學習與第一性原理或者實驗結合，以實現快速發現催化材料。這種結合能夠充分發揮不同方法的優勢，機器學習強大的數據處理和模式識別能力，可挖掘催化過程中的隱藏規律，第一性原理則能從量子力學層面揭示催化反應的本質，實驗數據為模型提供真實可靠的驗證基礎。同時，引導學員運用遷移學習等技術，將在某一催化體系中訓練得到的模型，快速應用到相似體系，實現知識的高效復用。此外，借助機器學習的可解釋性研究，還能幫助學員深入理解催化反應機制，為進一步優化催化材料性能、設計新型催化體系提供理論支撐，推動催化領域朝著智能化、精準化方向邁進。

4.圖拓撲結構和圖神經網絡在催化領域有著廣泛的應用。由于催化過程中存在大量繁雜的中間體，這為圖拓撲結構的構建提供了豐富的數據來源，從而更有利于發現新的催化路徑。將晶體結構從歐式空間轉化為非歐空間的圖結構，相較于傳統描述符，能夠更有效地捕捉晶體結構與目標屬性之間的映射關系。通過培養學員跨學科、跨領域、跨范式的科學思維，有望為新材料發現開辟新的研究范式。

機器學習鋰離子電池專題

1. 使學員了解鋰離子電池的基本原理和特性，以及機器學習在電池技術中的應用背景。通過學習Python編程語言，使學員能夠熟練使用基礎語法、函數、模塊、包和面向對象編程，讓學員熟悉并掌握機器學習庫。

2. 使學員理解神經網絡的基礎知識，包括激活函數、損失函數、梯度下降與反向傳播，并能夠使用Pytorch構建全連接神經網絡，掌握深度學習中的正則化技術、優化算法和超參數調優方法，了解并能夠應用循環神經網絡、卷積神經網絡、圖神經網絡、注意力機制、Transformer架構、生成對抗網絡和變分自編碼器。

3. 培養學員在鋰離子電池正極材料特性工程方面的實戰能力。通過實戰項目，使學員能夠使用機器學習技術預測鋰離子電池性能、穩定性，并進行電池性能分類。理解如何將機器學習與分子動力學模擬、第一性原理計算以及實驗數據結合，以加速新材料的發現和電池性能的優化。

4. 電池管理系統（BMS）的智能化學習：使學員了解BMS的功能與組成，并能夠應用機器學習技術進行電池充放電策略的優化。培養學員使用機器學習技術進行鋰離子電池的實時充電狀態（SOC）和健康狀態（SOH）估計。

5. 拓寬學員的國際視野，讓他們接觸和學習國際上的先進研究成果。培養具備跨學科整合能力的學員，使他們能夠在鋰離子電池、深度學習、數據科學等領域之間架起橋梁，開展創新性研究。

機器學習固態電池專題

1. 掌握固態電池（SSB）的發展使命，基本構成、固態電解質分類，工作原理、關鍵挑戰與性能評估。

2. 了解利用第一性原理（DFT）和分子動力學（MD）及其相關工具（如VASP, CP2K, LAMMPS, Gromacs）計算固態電池關鍵材料（電極、電解質）及界面性質的基本方法。

3. 掌握機器學習的基本概念、常用算法及其在材料科學，特別是固態電池領域的應用流程。

4. 學習如何為固態電池體系（包括電極、電解質、界面）構建有效的特征描述符以及如何利用VASP等DFT工具對該類描述符進行計算。

5. 熟練運用Python及其相關庫（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE）處理固態電池相關數據并構建機器學習模型。

6. 掌握利用機器學習、深度學習等模型預測固態電池關鍵性能（如界面穩定性、離子電導率、循環壽命等）的方法。

7. 學習使用機器學習加速新型固態電池材料體系（特別是穩定的界面組合）的發現和設計，如利用Matminer工具結合Material Project數據庫進行高通量篩選。

8. 掌握使用機器學習與傳統計算模擬（DFT/MD）結合，進行多尺度研究的策略，利用先進的神經網絡模型如Deepmd-kit, MACE等加速材料的研發。

講師介紹

機器學習催化劑講師介紹

來自全國重點大學、國家“985工程”、“211工程”重點高校，長期從事機器學習輔助的催化劑設計與預測研究，在機器學習深度學習輔助的催化劑設計研究領域深耕多年，具有豐富的經驗和扎實的基礎。在多個國際高水平期刊上發表 SCI檢索論文30余篇。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！

機器學習鋰離子電池講師介紹

來自全國重點大學、國家“985工程”、“211工程”重點高校，長期從事鋰離子電池研究，特別是在利用計算模擬方法和機器學習技術解決鋰離子電池領域的關鍵問題。在多個國際高水平期刊上發表 SCI檢索論文30余篇。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！

機器學習固態電池講師介紹

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。

課程大綱

機器學習催化劑設計專題

第一天：

第一天上午

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：變量和數據類型，列表，字典，if語句，循環，函數

2.Python科學數據處理：NumPy，Pandas，Matplotlib

案例一：隨著AI For Science時代的到來，機器學習以優異的速度迅速擴展到各個領域。本次培訓詳細講解從下載到安裝，再到環境配置全流程。無論是數據科學新手還是進階學習者，都能借此掌握 Anaconda 操作要點，輕松搭建編程環境，為后續 Python 開發、數據分析等工作筑牢基礎。

第一天下午

理論內容：

1.sklearn基礎介紹

2.線性回歸原理和正則化

實操內容：

1. 線性回歸方法的實現與初步應用

2. L1和L2正則項的使用方法

3. 線性回歸用于HER催化劑的篩選

4. 符號回歸用于發現金屬催化氧化載體中金屬-載體相互作用

案例二：金屬-載體相互作用是多相催化中最重要的支柱之一，但由于其復雜的界面，建立一個基本的理論一直具有挑戰性。基于實驗數據、可解釋的機器學習、理論推導和第一性原理模擬，以建立了基于金屬-金屬和金屬-氧相互作用的金屬-氧化物相互作用的一般理論（符號回歸）。

第二天上午

理論內容：

1. 邏輯回歸

1.1原理

1.2 使用方法

2. K近鄰方法（KNN）

2.1 KNN分類原理

2.2 KNN分類應用

3. 神經網絡方法的原理

3.1 神經網絡原理

3.2神經網絡分類

3.3神經網絡回歸

實操內容：

1.邏輯回歸的實現與初步應用

2.KNN方法的實現與初步應用

3.神經網絡實現

案例三：銅基合金催化劑因其良好的選擇性和過電位低等特點，在二氧化碳還原反應（CO2RR）領域得到了廣泛的應用。為了實現對CO2RR合金催化劑的高效探索，通過實施嚴格的特征選擇過程，將特征空間的維數從13維降至5維，ML模型成功快速預測了CO2RR過程中關鍵中間體（HCOO、CO和COOH）的吸附能。

第二天下午

項目實操：

1.基于少特征模型的機器學習預測二氧化碳還原電催化劑

2.基于文本數據信息預測甲醇轉化率

這兩個實操項目同時穿插講解如下內容

A1 機器學習材料與化學應用的典型步驟

A1.1 數據采集和清洗

A1.2 特征選擇和模型選擇

A1.3 模型訓練和測試

A1.4 模型性能評估和優化

案例四：結構化材料合成路線對于化學家進行實驗和現代應用（如機器學習材料設計）至關重要。近年來，化學文獻呈指數級增長，人工提取已發表文獻耗時耗力。本研究的重點是開發一種從化學文獻中提取pd基催化劑合成路線的自動化方法。并利用合成路線的結構化數據來訓練機器學習模型并預測甲烷轉化率的性能。

第三天上午

理論內容：

1．決策樹

1.1決策樹的原理

1.2決策樹分類

2． 集成學習方法

2.1集成學習原理

2.2隨機森林

2.3Bosting方法

3.樸素貝葉斯概率

3.1原理解析

3.2 模型應用

4. 支持向量機

4.1分類原理

4.2核函數

實操內容

1.決策樹的實現和應用

2.隨機森林的實現和應用

3.樸素貝葉斯的實現和應用

4.支持向量機的實現和應用

案例五：集成學習通過多層模型組合與融合，在提升模型性能方面極具優勢。在數據挖掘中，面對海量且復雜的數據，單一模型往往難以全面捕捉數據特征。集成學習將弱學習器的性能結合，先由各基礎模型從不同角度挖掘數據，再通過加權等方式融合結果，能更全面地剖析機器學習結果。

第三天下午

項目實操

1.機器學習加速設計ORR和OER雙功能電催化劑

2.二元合金中雙官能團氧電催化劑的有效機器學習模型設計

3.SHAP機器學習可解釋性分析

這兩個實操項目同時穿插講解如下內容

A1 模型性能的評估方法

A1.1 交叉驗證：評估估計器的性能

A1.2 分類性能評估

A1.3 回歸性能評估

案例六：氧還原反應（ORR）和析氧反應（OER）是清潔能源轉化的關鍵。近年來，雙金屬位催化劑（DMSCs）因其原子利用率高、穩定性強、催化性能好而受到廣泛關注。本研究采用密度泛函理論（DFT）和機器學習（ML）相結合的先進方法，研究吸附物在數百種潛在催化劑上的吸附自由能，來篩選對ORR和OER具有高活性的催化劑。

第四天上午

理論內容：

1. 無監督學習

2.1 什么是無監督學習

2.2 無監督算法——聚類

2.3 無監督算法——降維

2. 材料與化學數據的特征工程

2.1分子結構表示

2.2 獨熱編碼

實操內容：

鳶尾花數據集用于聚類實現和應用

T-SNE實現和應用

PCA的實現和應用

層次聚類的實現和應用

K-means聚類的實現和應用

案例七：無監督學習是從無標簽數據中挖掘模式與結構，t-SNE作為其重要降維工具，專注于保留高維數據點間局部結構。課程將深入講解t-SNE核心原理，如通過概率分布衡量點間相似性，以優化KL散度實現降維，展示其在高維數據可視化中的強大作用。還會進行代碼實操，涵蓋數據加載、參數調優、降維及可視化等環節，讓學員熟練掌握t-SNE在不同場景的應用，助力探索數據潛在結構與模式。

第四天下午

項目實操

理論內容：

1.深度學習理論基礎

2.DNN、RNN、CNN、LSTM及Transformer基礎框架介紹

實操內容

1. torch基礎練習

2. 應用RNN、CNN、LSTM模型篩選光催化劑

案例八：近年來，結合高通量（HT）和機器學習（ML）的策略以加速有前途的新材料的發現已經引起了人們的極大關注。因此，可以設計一種直觀的方法，通過數據庫并結合深度學習模型，并將它們與HT方法耦合，以尋找高效的2D水分解光催化劑。

第五天上午

理論內容：

1.圖深度學習理論基礎

2.圖深度學習應用實例OC20、OC22電催化劑開發挑戰（ACS Catalysis）

實操內容：

1. 圖結構構建及可視化

2. PyTorch Geometric基礎介紹

案例九：近年來，在晶體性能預測領域，圖神經網絡（graph neural network，GNN）模型取得了長足的發展。GNN模型可以有效地從晶體結構中捕捉高維晶體特征，從而在性能預測中獲得最佳性能。指導學員搭建圖深度學習開發環境，以順利構建圖結構，并進行機器學習訓練。

第五天下午

項目實操

1.圖神經網絡模型基本概述及CGCNN代碼深度解讀應用

2.基于圖論構建反應網絡用于NO電還原反應研究

3.Transformer輔助水氧化制備過氧化氫(WOR)及可解釋分析

案例十：氮氧化物排放嚴重影響我們的環境和人類健康。光催化脫硝（deNOx）因其低成本、無污染而備受關注，但實際生產中產生的是不需要的亞硝酸鹽和硝酸鹽，而不是無害的氮氣。揭示活性位點和光催化機理對改進工藝具有重要意義。本次課程以指導學員依據反應中間體，建立圖反應網絡結構以揭示反應機理。

機器學習鋰離子電池專題

第一天上午：鋰離子電池與機器學習基礎

鋰離子電池與機器學習背景：了解鋰離子電池的基本原理、發展歷程、應用領域以及當前面臨的挑戰；介紹機器學習的定義、發展歷程、主要應用領域以及與鋰離子電池研究的結合點，探討機器學習如何助力鋰離子電池性能提升和新材料研發。

Python基礎語法、函數、模塊和包、面向對象編程

機器學習庫介紹：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn

第一天下午：監督學習與非監督學習入門

監督學習與非監督學習

K-近鄰、支持向量機、決策樹、線性回歸、邏輯回歸

實戰一：使用機器學習預測鋰離子電池性能：特征工程描述包括電池的充放電循環數據、溫度、電流、電壓、電池的制造參數、材料特性等，選擇不同的機器學習模型，例如決策樹、隨機森林、支持向量機，最后進行性能評估。

第二天上午：聚類分析與集成學習

K-均值聚類、層次聚類、PCA、t-SNE

集成學習：隨機森林、Boosting

交叉驗證、性能指標、模型評估與選擇、網格搜索

實戰二： 特征選擇與聚類算法選擇：根據鋰離子電池的性能特征（如容量、能量密度、內阻、循環穩定性等），選擇合適的聚類算法（如K-均值聚類、層次聚類等），通過特征工程對數據進行預處理，將數據轉換為適合聚類分析的格式。

聚類結果分析與降維驗證：對聚類結果進行分析，觀察不同聚類類別中電池的性能特點和分布規律，通過降維技術（如PCA、t-SNE）對聚類結果進行可視化驗證，判斷聚類結果的有效性和合理性，為鋰離子電池的性能分類和優化提供依據。

第二天下午：神經網絡基礎與深度學習技術

神經網絡基礎、激活函數、損失函數、梯度下降與反向傳播

Pytorch構建全連接神經網絡

深度學習中的正則化技術：L1、L2、Dropout

優化算法：SGD、Adam、RMSprop

超參數調優：網格搜索、隨機搜索、貝葉斯優化

實戰三：基于深度學習的高熵材料的虛擬高通量篩選： 收集和整理用于訓練的數據集，包括高熵材料的化學組成、晶體結構、物理化學性質等，使用準備好的數據集對深度學習模型進行訓練，并采用交叉驗證等方法來評估模型的泛化能力。

第三天上午：高級深度學習架構與應用

循環神經網絡

卷積神經網絡

圖神經網絡

注意力機制

Transformer架構

生成對抗網絡

變分自編碼器

實戰四：基于圖神經網絡的鋰離子電池性能預測：構建圖神經網絡模型，選擇合適的架構，如GCN、GAT等，來學習材料圖特征節點和邊的表示，用于預測鋰離子電池性能。

第三天下午：鋰離子電池材料的機器學習應用

鋰離子正極材料的特征工程

實戰五：基于機器學習的鋰金屬正極材料的穩定性預測：選擇合適的機器學習模型，如支持向量機、隨機森林、集成學習、神經網絡，使用適當的評估指標，如準確率、召回率、F1分數等，來衡量模型預測鋰金屬正極材料穩定性的性能。

實戰六：實驗引導的高通量機器學習分析：講解將機器學習模型集成到實驗流程中，優化實驗過程，實現從實驗設計到數據分析的自動化和智能化。

第四天上午：機器學習與多尺度模擬的結合

基于鋰離子電池的機器學習與多尺度模擬

機器學習、分子動力學模擬與第一性原理計算

機器學習與實驗結合

實戰七：介紹Materials Project數據庫的基本情況和功能，說明如何從該數據庫中提取與鋰離子電池相關的電數據，包括材料的晶體結構、電子結構、電化學性能等信息。

從Materials Project數據庫中提取電池電數據，利用深度學習技術來預測多價金屬離子電池的電極電壓，并開發了一個可解釋的深度學習模型，以加速多價金屬離子電池材料的設計和優化。

實戰八：收集液態電解質添加劑電池系統中的性能數據，包括最終面積比阻抗、阻抗增量和比容量，基于分子結構信息，生成特征向量，通過數據收集、特征工程、模型訓練與驗證等機器學習流程，成功預測出最佳液態電解質添加劑組合。

第四天下午：機器學習在電池管理系統中的應用

機器學習在電池管理系統中的應用介紹

電池管理系統（BMS）的功能與組成

電池充放電管理

電池安全與保護

電池健康狀態的指標

電池老化分析

實戰九：探討如何將物理模型（如電池的電化學模型、熱模型等）與機器學習模型相結合，利用物理模型的先驗知識和機器學習模型的數據驅動能力，提高對電池狀態的預測精度和可靠性，例如通過物理模型提供電池狀態的初始估計，再利用機器學習模型對實際數據進行擬合和修正，實現對電池長期性能和壽命的準確預測。

第五天上午：機器學習在電池壽命預測中的應用

實戰十：收集鋰離子電池在不同充放電條件下的運行數據，包括電壓、電流、溫度、充放電時間等，這些數據是SOC和SOH估計的基礎，通過數據預處理、特征提取等步驟，將數據轉換為適合機器學習模型輸入的格式，提高模型的估計精度。

選擇合適的機器學習模型（如線性回歸、支持向量機、神經網絡等），根據處理后的數據對模型進行訓練，通過交叉驗證等方法對模型的準確性和泛化能力進行評估，選擇最優的模型用于鋰離子電池的SOC和SOH實時估計，通過實例代碼展示模型訓練和評估的過程，分析模型的性能指標和估計結果。

將訓練好的機器學習模型集成到BMS中，實現對鋰離子電池SOC和SOH的實時估計，通過實時監測電池的狀態參數，利用模型進行快速準確的估計，為電池的充放電管理、安全保護和健康狀態評估提供實時數據支持，提高BMS的智能化水平和電池的使用效率。

第五天下午

實戰十一： 基于大語言模型（LLM）的文獻v數據自動化提取與應用。重點講解如何利用大語言模型（LLM）與檢索增強生成（RAG）技術，構建自動化信息提取框架，解決科學數據提取耗時耗力的瓶頸。從電池文獻中自動提取關鍵參數（如材料成分、晶體結構、工作電壓等），構建小型材料數據庫。

實例十二： 基于大語言模型搭建電池健康狀態（SOH）智能預測系統。利用大語言模型自動化機器學習算法的實施與優化，以實現對鋰電池健康狀態（SOH）的智能預測，通過結構化的提示工程（Prompt Engineering）引導LLM完成自動化機器學習預測過程。基于公開電池數據集對比LLM驅動的模型與傳統方法的性能差異。

機器學習固態電池專題

第一天：固態電池基礎與計算模擬概覽

上午：固態電池基本原理與關鍵挑戰

1.1 固態電池概覽

固態電池的發展使命與優勢。

基本構成：正極、負極、固態電解質、界面。

固態電解質分類與特性（聚合物、氧化物、硫化物等）。

工作原理與性能評估指標。

案例分析：現有商業化/準商業化固態電池案例分析（性能、挑戰）。

1.2 固態電池關鍵挑戰

界面穩定性問題（空間電荷層、枝晶生長、副反應）。

離子電導率與傳輸機制。

機械穩定性與循環壽命。

小組討論：學員提出在實際工作中遇到的固態電池難題。

下午：固態電池材料計算模擬方法入門

1.3 第一性原理 (DFT) 在固態電池中的應用

DFT基本概念與在材料科學中的作用。

CP2K簡介：如何設置計算任務（結構優化、能量、電子結構）。

實操：利用CP2K計算固態電解質的晶格常數、形成能（提供示例輸入文件與結果解析）。

實操：利用VESTA可視化晶體結構和電子密度。

1.4 分子動力學 (MD) 在固態電池中的應用

MD基本概念與在材料科學中的作用。

LAMMPS/Gromacs簡介：如何設置MD模擬（原子間勢函數、溫度、壓力）。

實操：利用LAMMPS模擬固態電解質的離子擴散行為（提供示例輸入文件與軌跡文件解析）。

實操：利用VMD可視化MD模擬軌跡。

第二天：機器學習基礎與固態電池數據處理

上午：機器學習核心概念與在材料科學中的應用

2.1 機器學習基礎

機器學習的分類：監督學習、無監督學習、強化學習。

常用算法簡介：線性回歸、邏輯回歸、支持向量機、決策樹、隨機森林、K-Means。

案例分析：介紹幾個機器學習在其他材料領域的成功應用。

模型評估指標：R2、MAE、MSE、準確率、召回率、F1-score。

2.2 機器學習在固態電池領域的應用流程

數據獲取、特征工程、模型選擇與訓練、模型評估與部署。

案例分析：一個簡化的機器學習預測固態電解質離子電導率的流程介紹。

下午：固態電池數據處理與特征工程

2.3 Python科學計算庫實戰

實操：Numpy用于數組操作和數值計算。

實操：Pandas用于數據讀取、清洗、處理與分析（以模擬或實驗數據為例）。

實操：Matplotlib/Seaborn用于數據可視化（散點圖、直方圖、熱力圖等）。

2.4 固態電池體系的特征描述符構建

理論：為什么需要特征描述符？常見的材料特征描述符（晶格參數、元素屬性、結構信息、局部環境）。

實操：Pymatgen/ASE庫介紹：如何從CIF/POSCAR文件提取結構信息。

實操：構建簡單的描述符：例如，基于元素電負性、原子半徑的均值、方差等。

實操：利用Pymatgen/ASE結合Python腳本，從DFT計算結果中提取能量、結構、態密度等信息，并轉換為機器學習可用格式。

第三天：機器學習模型構建與固態電池性能預測

上午：傳統機器學習模型在固態電池中的應用

3.1 回歸模型預測離子電導率

任務：基于固態電解質的成分和結構特征（預處理好的數據集），預測其離子電導率。

實操：數據集加載與預處理（歸一化、特征選擇）。

實操：使用Scikit-learn構建并訓練線性回歸、隨機森林回歸、支持向量機回歸模型。

實操：模型評估（MAE, MSE, R2）與結果可視化。

討論：不同模型的優缺點及適用場景。

3.2 分類模型預測界面穩定性

任務：基于電極/電解質界面的特征（預處理好的數據集），預測界面是否穩定。

實操：數據集加載與預處理。

實操：使用Scikit-learn構建并訓練邏輯回歸、決策樹、隨機森林分類模型。

實操：模型評估（準確率、召回率、F1-score、混淆矩陣）與結果可視化。

討論：如何處理類別不平衡數據。

下午：深度學習模型在固態電池中的應用

3.3 神經網絡基礎與TensorFlow/PyTorch入門

神經網絡基本結構（全連接層、激活函數、損失函數、優化器）。

TensorFlow/PyTorch簡介：張量操作、自動微分。

演示：構建一個簡單的全連接神經網絡模型。

3.4 深度學習預測固態電池關鍵性能

任務：利用多層感知機 (MLP) 預測固態電池的循環壽命或特定性能指標。

實操：數據集準備（可能需要更復雜的特征）。

實操：使用TensorFlow/PyTorch構建、訓練并評估MLP模型。

實操：超參數調優（學習率、批次大小、層數、神經元數量）。

討論：深度學習在處理復雜、高維固態電池數據時的優勢。

第四天：新型固態電池材料發現與設計

上午：高通量篩選與數據庫應用

4.1 材料數據庫與高通量計算

理論：Material Project (MP) 數據庫介紹及其在材料設計中的價值。

實操：MP API的使用（通過Python查詢材料結構、能量、電子性質等）。

實操：Matminer庫介紹：如何從MP數據提取特征。

4.2 機器學習加速新型固態電解質篩選

任務：利用機器學習模型結合Matminer和MP數據，篩選潛在的高性能固態電解質材料。

實操：定義篩選標準（例如，高離子電導率、寬電化學窗口）。

實操：構建并訓練預測模型（可以是前一天訓練好的模型或新模型）。

實操：對MP數據庫中的材料進行高通量預測與篩選，生成候選材料列表。

討論：如何評估篩選結果并指導實驗驗證。

下午：界面工程與穩定組合發現

4.3 固態電池界面穩定性預測

理論：界面反應機制與影響因素。

實操：構建界面特征描述符：基于電極/電解質材料的晶體結構、元素組成、電子結構差異等。

實操：利用機器學習模型（分類或回歸）預測界面形成能、界面相變傾向等。

案例分析： 某個具體的電極/電解質界面組合，分析其預測結果。

4.4 機器學習發現穩定的界面組合

任務：結合多種電極和電解質材料，利用機器學習模型進行組合篩選，發現穩定的界面。

實操：構造所有可能的電極-電解質組合。

實操：利用訓練好的界面穩定性預測模型，對所有組合進行預測。

實操：篩選出預測為穩定的界面組合，并對其進行排序和分析。

討論：如何將機器學習結果與DFT/實驗結果結合進行驗證。

第五天：機器學習與多尺度計算模擬的融合

上午：神經網絡勢函數與MD加速

5.1 機器學習勢函數基礎

理論：為什么需要機器學習勢函數？傳統勢函數的局限性。

理論：神經網絡勢函數 (NNP) 的基本原理。

演示：Deepmd-kit/MACE介紹：如何訓練NNP模型。

5.2 Deepmd-kit/MACE實操

任務：利用Deepmd-kit/MACE訓練固態電解質的機器學習勢函數。

實操：數據準備：從DFT計算軌跡生成訓練數據（能量、力、應力）。

實操：訓練NNP模型（提供示例配置文件）。

實操：評估NNP模型的準確性（與DFT結果對比）。

討論：NNP在加速MD模擬中的優勢。

下午：多尺度研究策略與未來展望

5.3 機器學習加速大規模MD模擬

任務：利用訓練好的Deepmd-kit/MACE勢函數進行大規模分子動力學模擬。

實操：設置并運行基于NNP的LAMMPS/Gromacs MD模擬。

實操：分析大規模MD模擬結果（例如，離子擴散系數、相變過程）。

討論：如何將NNP模擬結果與宏觀性能聯系起來。

5.4 機器學習與多尺度計算模擬的融合策略

結合DFT、NNP-MD、蒙特卡洛等方法進行多尺度研究。

固態電池材料研發的未來趨勢：自動化、高通量、AI驅動的實驗。

討論：學員項目構思與Q&A。

部分案例圖片：

學員反饋

課程特色及授課方式

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，理論＋實操授課方式結合大量實戰案例與項目演練，聚焦人工智能技術在催化劑、固態電解質和鋰離子電池領域的最新研究進展，課前發送全部學習資料，課程提供全程答疑解惑；

完全貼合學員需求的課程體系設計，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，發送全部案例資料，永不解散的課程群答疑，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）

課程時間

機器學習催化劑設計專題

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（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）

機器學習鋰離子電池專題

2025.10.28----2025.10.31（晚上19.00-22.00）

2025.11.01----2025.11.02（上午9.00-11.30 下午13.30-17.00）

2025.11.06----2025.11.07（晚上19.00-22.00）

騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

機器學習固態電池專題

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（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）

課程費用

直播課：

《機器學習催化劑設計專題》、《機器學習鋰離子電池專題》、《機器學習固態電池專題》

每人每班￥4980元（包含會議費、資料費、提供課后全程回放資料）

早鳥價：提前報名繳費學員可得300元優惠（僅限前15名）

套餐價：

兩門同報：同時報名兩門課程￥9080元

三門同報：同時報名三門課程￥12880元

年報優惠：￥16580元（可免費學習一整年本單位舉辦的任意專題課程）

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。

官方聯系人

聯系人：張老師

咨詢電話：13141346157（微信同號）