机器学习在材料结构与性能预测中的应用实战

传统的材料研发技术是通过实验合成表征对材料进行试错和验证，而过去的计算手段受限于算法效率，无法有效求解实际工业生产中面临的复杂问题。近几年随着大数据和人工智能介入，通过采用支持向量机、神经网络等机器学习算法训练数据集来构建模型，以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等性能，大大推动了新型材料的发现和传统材料的更新，预测结果甚至能够达到与高保真模型基本相同的精度，且计算成本很低。然而，机器学习在材料科学中的应用仍存在一些瓶颈，人工智能研究项目所需的技能和知识匮乏缺失制约着该方向的发展。

深度学习神经网络、经典机器学习模型、材料数据库及特征工程、图神经网络与实践、机器学习+Science五个模块，过程中穿插实际应用算例（神经网络在催化领域的应用-CO2还原、预测杂化钙钛矿的带隙和形成能、有机太阳能电池材料的快速筛选、图神经网络预测无机材料的性能、量子点发光材料色温的预测等）

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

什么是机器学习

机器学习的应用实例

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。在学习机器学习之前，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

python安装与开发环境的搭建

基本数据类型

组合数据类型

控制结构

循环结构

函数

模块

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

logistic 回归与损失函数

梯度下降法与 导数

计算图的导数计算

logistic 回归中的梯度下降法

向量化 logistic 回归的梯度输出

神经网络的梯度下降法

深层网络中的前向传播

深度学习框架

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

线性模型

决策树

支持向量机

集成学习

模型选择与性能优化

材料数据库及特征工程

学习目标：数据库构建是机器学习中的重要步骤，对材料领域常见的数据库进行介绍，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

常见材料数据库简介

材料训练集的构建

材料与化学数据的特征工程

常见的材料特征选择方法

模型性能评估和优化

图神经网络入门及实践

学习目标：图神经网络是最近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

图论简单入门

图神经网络概念介绍

化学与材料领域经典的图神经网络架构

图神经网络在材料中应用的实践

机器学习+Science 

学习目标：介绍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

强化学习在材料优化问题中的应用

主动学习框架的在科学问题中的实现

生成模型在材料设计中的应用与挑战

Transformer应用——以AlphaFold2为例

应用实例

在整个教学过程穿插以下应用实例：（可根据学员要求补充）

神经网络在催化中的应用——CO2还原

利用机器学习方法预测杂化钙钛矿的带隙和形成能

利用机器学习实现有机太阳能电池材料的快速筛选

利用图神经网络预测无机材料的性能

多种机器学习模型对量子点发光材料色温的预测