全球能源危机步步紧逼，传统化石燃料已无法满足需求，而钙钛矿太阳能电池以26.1%的超高效率（远超传统材料！），成为新能源赛道的“黑马”。但它的致命弱点——研发周期长、成本高，让科学家头疼不已。直到机器学习（ML）加入战场：从5148种材料中精准锁定目标，预测性能比实验快100倍！

机器学习是一种通过训练模型来识别模式、预测结果和优化过程的技术，电催化则涉及利用电流来促进化学反应的过程。机器学习与电催化本是两个互不相关的领域，然而，近年来机器学习与电催化的结合逐渐成为电催化研究的新宠，发表的相关文章也越来越多。可以说，机器学习在电催化领域的重要性在逐渐增强，为电催化研究带来了新的可能性和突破。

光催化是可持续燃料生产和环境修复的重要技术，由于潜在催化剂材料的复杂性和庞大性，经常面临挑战。机器学习 （ML） 是人工智能的一个分支，它通过利用数据驱动的模型来预测和优化光催化剂，为加速催化剂勘探提供了变革性的潜力。人工智能和数据科学的最新发展为加速环境科学和光催化技术中新材料的发现带来了巨大的前景。这篇综述深入探讨了 ML 在光催化中的整合，重点介绍了它在改善光吸收、电荷分离和光反应器设计方面的作用。此外，该内容强调了 ML 在光催化应用中的重要性，例如药物降解、水分解和有机染料降解。ML 技术可以通过预测光催化剂的行为、提高其效率和加速新材料的发现来增强这些应用。在 ML 的帮助下，可以开发先进的下一代催化剂。

近年来，第一性原理计算与深度学习技术的交叉融合正在推动计算材料科学进入智能化研究的新阶段。密度泛函理论（DFT）作为材料模拟的黄金标准，能够从量子力学层面精确解析材料的电子结构和物理化学性质（Kohn & Sham, 1965）。然而，传统DFT计算面临计算成本高昂和泛函精度受限等挑战。深度学习技术的引入为解决这些问题提供了创新方案，开创了"AI for Materials"的新范式。

学习目标

#01

机器学习钙钛矿

1. 使学员掌握机器学习的基础理论，包括监督学习（回归、分类）、无监督学习（聚类、降维）、集成学习（随机森林、梯度提升树等）及深度学习（图神经网络）的原理与在钙钛矿材料研究中应用。

2. 培养学员运用机器学习解决钙钛矿领域实际问题的能力，提升学员的实操能力，包括材料性能预测、无铅钙钛矿识别、界面钝化材料筛选等，掌握数据清洗、特征提取、模型训练与评估的全流程，能独立处理钙钛矿数据集（如缺失值、异常值处理，特征标准化与降维），模型训练，型评估指标（MSE、MAE、准确率、ROC-AUC等）及交叉验证方法。

3. 使学员了解深度学习与图神经网络（GNN）基础，包括多层感知器、GCN等架构，能构建并优化适用于钙钛矿性质预测的GNN模型，对比常规机器学习与GNN在材料研究中的优势与适用场景。

4. 提升学员跨材料学与数据科学的交叉研究能力，使其能运用课程所学加速钙钛矿太阳能电池的研发与性能优化，具备独立设计相关研究课题并产出高水平成果的潜力，助力开展创新性研究、发表SCI论文。

5. 帮助学员紧跟钙钛矿与人工智能交叉领域的国际最新研究动态，为钙钛矿太阳能电池的高效研发与性能优化提供支持，为在钙钛矿领域的学术研究或产业应用中建立独特优势，开展创新性研究。

#02

机器学习电催化设计

1. 课程将系统引导学员深入理解电催化的核心原理，对于CO2RR、ORR、OER和HER的理论更深刻的理解，同时全面剖析机器学习在电催化领域的应用背景与适用范畴。通过 Python 语言基础与机器学习算法的专项训练，学员不仅能清晰梳理机器学习从萌芽到蓬勃发展的历史脉络，洞悉其在信息时代各领域的多元应用形态，更能通过实践操作，真正掌握将机器学习技术应用于科学研究的关键技能。

2. 课程助力学员精准把握传统机器学习算法与深度学习算法的本质差异，熟练掌握python第三方库的核心功能与应用技巧。通过系统学习与实践，学员将能够灵活运用线性模型、树模型、集成学习模型和深度神经网络等算法模型深度融入科学研究场景。同时，借助机器学习的可解释性分析方法，深入挖掘数据背后的科学规律，精准阐释催化反应机制，实现数据驱动与理论解析的深度融合，为科学研究提供创新分析视角与可靠技术支撑，为进一步优化催化材料性能、设计新型催化体系提供理论支撑，推动催化领域朝着智能化、精准化方向迈进。

#03

机器学习光催化设计

1. 课程将系统引导学员深入理解能带理论，对于光催化的的应用领域有更深刻的理解，同时全面剖析机器学习在光催化领域的应用背景与适用范畴。通过sklearn、pytorch和troch-geometric等算法框架，对高通量筛选光催化剂建立更加具有泛化能力的机器学习模型。同时，通过对比不同算法框架在光催化场景下的表现差异，学员能精准把握各工具的优势与局限，学会根据研究目标灵活选择技术路径。最终，学员将具备独立设计机器学习驱动的光催化材料研发方案的能力，为推动光催化技术在能源转化、环境治理等领域的实际应用奠定扎实基础。

2. 课程助力学员精准把握传统机器学习算法与深度学习算法的本质差异，通过系统学习与实践，学员将能够灵活搭建传统机器学习模型、图网络、图深度神经网络等算法模型深度融入光催化研究场景。同时，借助机器学习的可解释性分析方法，深入挖掘数据背后的科学规律，精准阐释催化反应机制，实现数据驱动与理论解析的深度融合。通过多层图卷积操作提取催化剂表面活性位点的特征信息，借助注意力机制强化对催化反应关键位点的权重分配。通过对比不同图神经网络架构在光催化活性预测、稳定性评估等任务中的表现，学员将掌握根据材料体系特性选择适配模型的技巧，最终实现利用图神经网络高效挖掘材料结构与光催化性能的隐性关联，为新型高效光催化剂的理性设计提供更强有力的算法支撑。

#04

深度学习第一性原理

1.深化学习理论基础：掌握薛定谔方程、DFT原理及交换-相关泛函的影响机制

2.熟练掌握计算技能：完成材料建模→结构优化→电子结构计算全流程，优化平面波基组参数

3.材料特征工程学习：构建二维材料拓扑/光谱特征，开发材料性能预测模型（如催化剂、硬度）

4.掌握神经网络机器学习融合方法：搭建CGCNN网络，实现分子动力学轨迹分析及材料属性预测

5.掌握综合应用实例：研究多物理场耦合（杨氏模量、热导率、超导材料）及缺陷体系（螺位错、薄膜生长）

6.掌握计算工具：Python（NumPy/Pandas/scikit-learn/tensor-flow）、pymatgen、机器与深度学习框架

讲师介绍

机器学习钙钛矿讲师介绍

李老师来自国内高校，在机器学习交叉领域拥有深厚研究积累，长期致力于运用机器学习技术解决钙钛矿太阳能电池的性能预测、材料筛选等关键问题，在国际权威期刊发表多篇SCI检索论文。授课风格注重理论与实操结合，善于将复杂的算法原理和机器学习知识转化为易懂的讲解，应用于钙钛矿领域实例，深受广大学员的信赖与好评

机器学习电催化讲师介绍

主讲老师来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事机器学习辅助电催化剂设计，在深度学习及图深度学习辅助的催化剂设计研究领域深耕多年，具有丰富的经验和扎实的基础。在多个顶级期刊上发表高水平研究论文70余篇。他的授课方式深入浅出，擅长将复杂的理论知识与计算方法转化为清晰易懂的内容，让学员轻松理解掌握。

机器学习光催化设计讲师介绍

主讲老师来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事机器学习辅助光催化剂设计，在深度学习及图深度学习辅助的催化剂设计研究领域深耕多年，具有丰富的经验和扎实的基础。在多个顶级期刊上发表高水平研究论文70余篇。他的授课方式深入浅出，擅长将复杂的理论知识与计算方法转化为清晰易懂的内容，让学员轻松理解掌握。

深度学习第一性原理讲师介绍

来自中国顶尖高校，在机器学习、深度学习算法与材料物理模拟领域拥有丰富的研究与教学经验，专注于深度学习算法优化、第一性原理计算与超导材料研究。多年来致力于运用机器学习和深度学习技术推动材料设计与性能优化，特别是在机器学习算法、二维材料及其同位素材料深度学习第一性原理模拟及超导材料物理方向取得了卓越成果。以第一作者或通讯作者身份在 Advanced Materials、Advanced Functional Materials、ACS Nano、Nano Letters 和 Physical Review B 等顶级期刊发表论文二十余篇。

01 机器学习钙钛矿

第一天 上午

1. 机器学习与钙钛矿绪论

2.监督学习、非监督学习、半监督学习的区别和应用场景

3.机器学习算法的分类和特点以及在钙钛矿中的应用

4.机器学习模型理论讲解，监督学习（回归与分类），线性回归模型，逻辑回归模型，K近邻模型，支持向量机模型，决策树模型，神经网络模型

实操：

1.安装Python和必要的机器学习库

2.机器学习工具，常用的机器学习库Scikit-Learn等实操

机器学习指导策略开发高效室内钙钛矿太阳能电池

3.钙钛矿数据集处理：数据整合，Python清洗数据，处理缺失值（如用均值填充钙钛矿缺失特征）、异常值（剔除超常规范围的错误数据），构建标准化数据集

4.钙钛矿特征提取与分析：特征提取，特征初步分析，分析特征与目标性能，筛选关键特征

5.模型训练与调优，数据划分、模型训练

6.性能预测，模型评估，回归模型等评价指标与调用方法（均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）等）

掌握“数据-特征-模型-预测”全流程，能用机器学习解决钙钛矿材料性能预测问题，输出可复用的代码模板与结果分析。

以上实操内容结合钙钛矿领域的例子和数据

第一天：下午

集成学习讲解：

1.Bagging (如随机森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)

2.随机森林（Random Forest）原理与应用

3.梯度提升树（Gradient Boosting）原理与应用

实操：

通过机器学习识别用于太阳能电池的无铅钙钛矿

4.钙钛矿电池特征处理：标准化，区间缩放法，归一化，定量特征二值化，OneHot独热编码等

5.钙钛矿特征降维：特征选择（相关系数法，卡方检验，递归消除特征法，基于模型的特征选择法），线性降维（主成分分析法PCA处理，线性判别法）

6.分类模型验证指标（准确率，查准率和查全率，F得分，分类报告，混淆矩阵）ROC和AUC曲线等；

7.集成学习模型（GBRT）训练预测与评估

交叉验证（Cross-Validation）：K折交叉验证、留一法等，用于评估模型泛化能力。

8.模型选择与避免过拟合/欠拟合：学习曲线分析

第二天：上午

1. 无监督学习

2.什么是无监督学习

3.无监督算法——聚类

4.无监督算法——降维

5. K-均值聚类（K-Means），层次聚类，t-SNE、主成分分析原理与实操讲解

实操：

1. 鸢尾花数据集用于聚类实现和应用

2. T-SNE实现和应用

3. PCA的实现和应用

4. 层次聚类的实现和应用

5. K-means聚类的实现和应用

6. 钙钛矿材料聚类实操：

数据加载，参数调优，构建模型，对钙钛矿数据执行降维，可视化及分析

第二天：下午

实操：超稳定高效钙钛矿太阳能电池的机器学习建模

实操：钙钛矿太阳能电池界面钝化材料的机器学习辅助筛选

1.多种机器学习模型构建，线性回归模型，逻辑回归模型，K近邻模型，支持向量机模型，决策树模型，神经网络模型

2. 集成学习训练：Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM

3. 参数调优与模型优化，.超参数调优：网格搜索（Grid Search）、随机搜索（Random Search）

4. 模型评估与结果分析

第三天：上午

利用机器学习巩固钙钛矿太阳能电池实验结果的多样性

1. 钙钛矿太阳能电池数据探索，特征工程，数据预处理

2. 多种机器学习方法应用于钙钛矿材料综合训练

3. 机器学习模型训练与评估

4. 模型的可解释性实战，线性回归方程式，决策树模型可视化，随机森林筛选特征等重要性，SHAP值可解释性等

第三天：下午

深度学习在钙钛矿太阳能材料中的应用

深度学习与神经网络基础

1. 神经网络基础：感知器、多层感知器（MLP）、激活函数（ReLU, Sigmoid, Tanh）、损失函数、梯度下降与反向传播。

2. 图神经网络（GNN）及其在材料科学中的应用

3. GNN特征工程的特点

4. 图的基本概念：节点（原子）、边（键）、图（晶体结构/分子）GNN基本思想：消息传递机制

5. 常用GNN架构介绍：GCN, GAT, SchNet, MEGNet/ALIGNN等

实操：

用于钙钛矿性质预测的常规机器学习和图神经网络模型的比较分析

6. 图神经网络基础模型构建

7. 使用钙钛矿图结构数据训练GCN模型

8. 针对GCN模型的关键参数进行优化，提升模型性能。

9. 从预测精度、泛化能力、训练效率等方面对机器学习和图神经网络模型进行评估

10. 对比分析不同模型在钙钛矿性质预测中的优势与不足

11. 总结两类模型在钙钛矿材料研究不同场景下的适用情况，为实际研究中的模型选择提供参考

02 机器学习电催化设计

第一天上午

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.机器学习辅助催化剂设计应用前沿

4.深度学习在电催化的应用前沿

5.图神经网络的广泛应用

实操内容

1.Python基础回顾：变量和数据类型，列表，字典，if语句，循环，函数

2.Python科学数据处理：NumPy，Pandas，Matplotlib，Scipy，

seaborn

案例：在AI For Science 时代来临之际，机器学习正以前所未有的速度渗透到众多领域。本次培训将系统讲解从下载、安装到环境配置的完整流程，无论你是数据科学入门者还是有一定经验的学习者，都能借此掌握 Anaconda 的操作关键，轻松搭建编程环境，为后续的 Python 开发、数据分析等工作打下坚实基础。

第一天下午

理论内容：

1.sklearn基础介绍

2.线性回归原理和正则化

3.十大机器学习算法框架介绍

实操内容

1. 线性回归、岭回归、Lasso回归方法的实现与初步应用

2.分类、回归任务的评估方式

3.机器学习方法用于发现二氧化碳还原电催化剂

案例：机器学习正在广泛应用于材料搜索。

本案例聚焦机器学习在能源与环境领域的实践应用，通过“理论奠基 + 实操演练” 的模式，系统讲解如何运用线性回归相关方法挖掘二氧化碳还原电催化剂的关键特性，最终聚焦二氧化碳还原电催化剂发现场景，通过真实材料数据集的建模实践，演示如何利用机器学习方法筛选潜在催化剂候选物，实现从数据预处理到模型评估的全流程落地，帮助学员掌握将算法工具转化为科研发现能力的关键技能。

第二天上午

理论内容：

1.逻辑回归、K近邻方法、支持向量机、神经网络方法的基本原理

实操内容（约2小时）

1.逻辑回归、KNN方法、支持向量机、神经网络的实现与初步应用

2.神经网络方法用于发现ORR和OER双功能电催化剂

案例：本案例围绕电催化领域关键问题，详细展示如何运用多种机器学习方法探索ORR和 OER双功能电催化剂的性能规律，聚焦ORR和OER双功能电催化剂发现，通过真实材料数据集的建模实践，演示如何利用神经网络挖掘催化剂的结构特征（如活性位点、电子结构）与催化性能的关联规律，实现高效双功能电催化剂的快速筛选，助力学员掌握将多元机器学习方法转化为材料研发能力的实践技能。

第二天下午

项目实操：

1.机器学习辅助设计锂硫电池单原子催化剂

2.数据采集和清洗

3.机器学习特征工程的实现

4.多种模型的快速实现

5.模型训练和测试

6.模型性能评估和优化

案例：电催化硫还原反应（SRR）是对抗多硫化物穿梭效应的有效策略，多硫化物穿梭效应仍然是阻碍Li−S电池实际应用的关键因素。

通过机器学习结合密度泛函理论，本课程指导学员构建机器学习数据集，并用于发现表现优异的单原子催化剂。

第三天上午

理论内容：

1．决策树、集成学习（随机森林，xgboost）原理

2．网格搜索、随机搜索、交叉验证基本原理

实操内容（约2小时）

1.决策树、随机森林的实现和应用

2.网格搜索、随机搜索、交叉验证用于氧电催化剂搜索

案例：合金催化剂的独特特性，包括组成、结构和可修饰的吸附位点，为开发出析氧/还原反应（OER / ORR）的高效电催化剂提供了巨大潜力。机器学习（ML）方法可以快速建立材料特征与催化活性之间的关系，从而加速合金电催化剂的发展。

本课程让学员熟练掌握机器学习流程，并创建新的特征描述符，用于氧电催化剂搜索。

第三天下午

项目实操

1.爬虫方式获取数据集

2.多类型析氢催化剂预测的最小特征参数机器学习模型

3.机器学习训练完整流程实操

4.SHAP可解释性分析

5.无监督学习——聚类、降维的实现

6.T-SNE聚类结果解耦分析

案例：广阔的化学成分空间对传统方法开发催化剂提出了挑战。机器学习（ML）提供了新的机会，但目前的ML模型通常仅限于筛选单一类型的催化剂。本课程通过爬虫获取机器学习数据集，并训练机器学习模型用于HER催化剂的开发，并通过SHAP可解释分析特征重要性。

03 机器学习光催化设计

第一天上午

理论内容：

1. 机器学习辅助光物理场水氧化制过氧化氢

1.1能带理论

1.2 Auto-ML应用介绍

实操内容（约2小时）

1.sklearn实现十大机器学习算法

2.Auto-ML方法高效训练模型

3.训练机器学习模型用于大规模化学空间预测

4.模型可解释性分析及重要性分析

案例：本案例旨在带领学员回归传统机器学习算法的操作流程，并学会运用Auto-ML快速构建最优机器学习模型，并通过可解释性分析对特征进行详细分析。基于训练的最优模型，指导学员构建大规模的化学空间，以实现对参数空间的搜索。

第一天下午

理论内容：

1.深度学习理论基础

2.DNN、RNN、CNN、LSTM及Transformer基础框架介绍

实操内容

1.torch基础练习

2.爬虫方法获取二维半导体催化数据集

3.DNN、CNN、LSTM模型筛选二维光催化剂

4.Transformer用于直接带隙钙钛矿的发现及可解释性分析

案例：近年来，结合高通量（HT）和机器学习（ML）的策略以加速有前途的新材料的发现已经引起了人们的极大关注。因此，可以设计一种直观的方法，通过数据库并结合深度学习模型，并将它们与HT方法耦合，以寻找高效的2D水分解光催化剂。

第二天上午

理论内容：

1.图深度学习理论基础

2.图深度学习应用实例

实操内容（约1.5小时）

1.图结构构建及可视化

2.图反应网络构建

3.PyTorch Geometric（PYG）基础介绍

4.PYG搭建基础的图神经网络框架

案例：近年来，在晶体性能预测领域，图神经网络（graph neural network，GNN）模型取得了长足的发展。GNN模型可以有效地从晶体结构中捕捉高维晶体特征，从而在性能预测中获得最佳性能。指导学员搭建图深度学习开发环境，以顺利构建图结构，并进行机器学习训练。

第二天下午

项目实操

1.图神经网络模型基本概述及

CGCNN代码深度解读应用

2. CGCNN模型用于钙钛矿带隙分类任务实操

3. pymatgen对晶体结构的基本操作

4.符号回归建模并对Materials Project数据库高通量数据筛选

案例：图神经网络广泛用于高通量材料筛选，相比于基于特征描述符的传统机器学习模型，图神经网络具有更强的泛化能力和普适性。此培训以指导学员学习图结构的基本理论，能够理解CGCNN底层代码，借助PYG库轻松搭建图神经网络模型。

第三天上午

实操内容

1. pymatgen批量获取MaterialsProject数据库

2. pymatgen获取钙钛矿数据集

3.pyg搭建GATGNN模型

4.双结构输入GATGNN模型应用实例

案例：近年来，在晶体性能预测领域，图神经网络模型取得了长足的发展。GNN模型可以有效地从晶体结构中捕捉高维晶体特征，从而在性能预测中获得最佳性能。且随着材料基因组计划，大规模数据库广泛应用于各种材料的筛选任务。本培训指导学员从材料数据库轻松获取大量晶体结构并搭建图神经网络进行机器学习训练。

第三天下午

项目实操

1. 通用的人工智能机器学习框架代码深度解读应用

2. pymatgen高通量构建高熵结构

3.迁移学习用于FASn0.5Pb0.5I3钙钛矿稳定结构筛选

4.pymatgen构建FAPbI3三元结构

5.高熵结果统计分析及知识图谱构建

案例：图神经网络用于高通量筛选会因晶体几何信息难以获取而使得

GNN模型不能很好的适用于高难度的高通量筛选任务，因此，BatteryFormer提出了一种通用的机器学习模型架构，在不需要晶体结构优化的情况下，适用于任何高通量筛选任务。本培训指导学员依据PYG架构，搭建图神经网络模型以加速高通量任务进程。

深度学习第一性原理

第一天：基础理论与环境搭建

上午 理论模块量子力学在材料科学中的基石作用

• 薛定谔方程的物理意义与计算挑战，量子力学固体物理超导物理的基本架构

• Hohenberg-Kohn定理：从波函数到电子密度

• Kohn-Sham方程的降维革命• 深度学习第一性原理文献综述

下午 实操模块

Python的基本语法：缩进，注释，变量命名规则。

数据类型详解：整数，浮点数，字符串，布尔值。

序列类型：列表，元组，集合的操作与区别。

映射类型：字典的创建，访问与修改。

条件语句：if－elif－else 的使用场景与逻辑判断。

循环语句：for 循环与 while 循环的语法与应用。

循环控制：break，continue，pass 语句的作用与使用场景。

自定义函数：函数的定义，参数传递，返回值。

模块的导入与使用：标准库与第三方库的调用。

类与对象的基本概念：封装，继承，多态。

类的定义与实例化：属性与方法的使用。

面向对象的设计思想：如何通过类组织代码结构。

NumPy 数组的创建与操作：数组的形状，索引，切片。数学运算：矩阵运算，统计函数，随机数生成。示例应用：数据标准化，矩阵变换等。Pandas：数据分析利器数据结构：Series 与 DataFrame 的创建与操作。

数据处理：数据清洗，筛选，分组，聚合。数据读写：CSV，Excel 文件的读取与保存。

案例1：材料数据的预处理与分析。

案例2：识别图片，对材料进行分类识别检测。

案例3：二维材料的性能提取

第二天：第一性原理计算核心技能

上午 理论模块讲解

1.第一性原理计算：薛定谔方程、波函数与电子状态、Hohenberg-Kohn 定理、 Kohn-Sham 方程、交换-相关泛函、晶格的周期性、平面波与平面波基组的python实现。

2.平面波基组优化策略

3.案例4：构建石墨烯结构。进行第一性原理计算，对结构进行微扰建模。

下午实战模块

1.案例5：异质结形成能计算

2.案例6：石墨烯能带结构可视化

3.案例7：使用Python 实现批量计算任务的生成与提交。

4.案例8：高效计算流程：并行计算、分布式计算的优化。

5.案例9：结构优化结果分析：能量、晶格参数、原子位置的收敛性。

6.案例10：COF材料结构、力学性质、热学性质的计算与分析。

7.专题研究：使用Matplotlib 绘制能带图、态密度图等。

第三天：高通量计算与特征工程

上午 实战模块

1.自动化脚本开发：pymatgen 的功能与应用场景：从材料结构到计算文件的生成。

2.材料项目（Materials Project）数据库的访问与数据提取。

3.使用pymatgen 获取晶体结构：通过材料 ID 或化学式查询。

4.批量下载结构数据：自动化脚本编写与数据管理。

5.案例11：二氧化碳还原反应的催化剂设计、选择与催化剂性能相关的特征（如电子结构、表面性质等）、使用Scikit-Learn 搭建线性回归、决策树等模型、通过交叉验证评估模型的预测性能、用机器学习预测二氧化碳还原催化剂的少特征模型

6.案例12：异质结材料模型结构优化

7.案例13：材料硬度计算与预测

下午理论+实战

1.特征工程深度解析：• 拓扑特征提取（难点案例：超导 Kitaev链，超导性能预测）• 光谱特征生成（吸收/拉曼光谱案例）

2.案例14：GaAs光学结构模拟（案例GaAs optical）

3.案例15：常见二维材料的性能第一性原理计算与模拟：MoS2等，二维材料第一性原理计算范式

第四天：深度学习与分子动力学上午 理论模块

1.神经网络详解• 神经网络基础理论以及实现基本的CNN、GNN• 晶体图卷积网络（CGCNN）• 材料属性预测的端到端学习

2.常见神经网络框架结构搭建、tensor flow详解以及深度学习-机器学习综合应用详解。

下午实战模块

1.案例16：拓扑超导体模拟（详解+难点）

2.案例17：水分子动力学（AIMD轨迹分析）

第五天：综合应用与前沿探索

上午理论+实战

1.机器学习势场开发：利用机器学习方法构建高精度原子间势函数，替代传统经验势场，提升分子动力学模拟效率与准确性。

2.案例18：杨氏模量计算：通过应变-能量关系或应力-应变曲线，模拟材料在弹性变形下的刚度特性，评估力学性能。

3.案例19：相变材料的计算与预测：结合分子动力学或第一性原理，研究温度/压力诱导的相变行为，预测新材料相图。

下午终极挑战

1.案例20：热电材料性能优化（量子阱GaAs案例）：通过能带工程和缺陷调控，优化GaAs量子阱结构的热电转换效率。

2.案例21：螺位错的第一性原理-相场方法生成与模拟：模拟晶体中螺位错的运动与相互作用，揭示其对材料塑性变形的影响机制。

3.案例22：CVD、薄膜生长合成材料的第一性原理计算与模拟建模：模拟化学气相沉积过程，预测薄膜生长动力学与微观结构演化。

4.案例23：热导率计算：基于Green-Kubo公式或非平衡分子动力学，结合机器学习势场，高效计算材料热输运性质。

课程模式

1、线上授课时间和地点自由，建立专业课程群进行实时答疑解惑。

2、理论＋实操授课方式，由浅入深式讲解，结合大量实战案例与项目演练，聚焦人工智能技术在第一性原理、电解质、催化剂领域的最新研究进展。

3、课前发送全部学习资料（上课所有使用的软件、包括丰富的PPT，大量的代码数据集资源）课程提供全程答疑解惑。

4、定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，永不解散的课程群答疑服务，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件；

2、课程结束可获得本次所学专题全部回放视频；

3、课程会定期更新前沿内容，参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程（任意一期）

课程时间

机器学习钙钛矿课程时间：

2025.09.20----2025.09.21（上午09.00-11.30下午13.30-17.00）

2025.09.22----2025.09.23（晚上19.00-22.00）

腾讯会议 线上授课（共三天课程 提供全程视频回放及课程群答疑）

机器学习电催化设计时间：

2025.09.25----2025.09.26（晚上19.00-22.00）

2025.09.27----2025.09.28（上午09.00-11.30下午13.30-17.00）

腾讯会议 线上授课（共三天课程 提供全程视频回放及课程群答疑）

机器学习光催化设计时间：

2025.10.09----2025.10.11（上午09.00-11.30下午13.30-17.00）

腾讯会议 线上授课（共三天课程 提供全程视频回放及课程群答疑）

深度学习第一性原理时间：

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)

腾讯会议 线上授课（共五天课程 提供全程视频回放及课程群答疑）

专题费用

专题名称

专题费用

机器学习钙钛矿专题

¥2980/人

机器学习电催化设计专题

¥2980/人

机器学习光催化设计专题

¥2980/人

深度学习第一性原理专题

¥4980/人

以上费用包含：

1.课程回放无限次观看

2.学员答疑群（永久答疑）

3.免费参加后续一期本专题内容

4.课程全部资料（软件，PPT，文件等）

优惠活动：

优惠1：报名成功后转发朋友圈或50人以上群聊即可优惠200元

参加一年专题课程价格为16880元（可免费学习一整年本单位举办的任意专题）

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

报名咨询方式

联系人｜马老师

咨询电话｜18514630500（微信同号）