机器学习材料性能预测与材料基因工程应用实战

一、背景:

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。现推出《机器学习材料性能预测与材料基因工程应用实战》永久录播回放课程，具体课程通知内容如下：

教学大纲
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。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 函数、列表 、元组、字典、集合 控制结构、循环结构 Numpy模块——矩阵的科学计算 Matplotlib模块——数据处理与绘图
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——Pytorch的使用 案例实践教学一：神经网络在催化中的应用——CO2还原
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（线性回归、梯度下降、正则化、回归的评价指标） 决策树（决策树原理、ID3算法、C4.5算法、CART算法） 支持向量机（线性支持向量机、可分支持向量机、不可分支持向量机） 集成学习（AdaBoost和GBDT算法、XGBoost算法、LightGBM算法） 模型选择与性能优化（数据清洗、特征工程、数据建模） Scikit-learn机器学习库的使用 案例实践教学二：利用集成学习方法预测杂化钙钛矿的带隙 案例实践教学三：利用集成学习实现有机太阳能电池材料快速筛选
材料基因工程 入门与实战	学习背景：材料基因工程是当下流行的材料研究新范式，相较于传统试错方法，材料基因以大数据为基础，利用人工智能方法从中提取出关键的构效关系，摆脱了对理化直觉的强依赖及高昂的筛选成本，可以实现高效的高通量材料筛选。 学习目标：从数据库出发，对材料领域常见的数据库进行介绍，之后学习如何利用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，以及机器学习模型的评估与利用
	材料基因组概述、材料基因组的基本方法 常见材料数据库介绍 Material Project数据库、Pymatgen OQMD数据库、AFLOW数据库数据获取与使用 COMPUTATIONAL MATERIALS REPOSITORY数据库与ASE 自定义材料数据集的构建 材料化学的特征工程 特征选择（过滤特征、包装到其他评估或集成到训练） 基于sklearn的python实现 案例实践教学四：（包含以下内容） 团簇数据库中平均形成能最低的结构数据库的构建 利用MP数据库构建同素异形体结构的mongodb数据库 利用Pymatgen对原子性质进行分析 利用ASE+Dscribe生成材料指纹和势函数 描述符的向量化生成与特征的保存/读取，特征预处理 模型性能评估（分类性能、回归性能评估、统计交叉验证）和优化 （拓展）学习计算材料学领域与特征选择高级相关算法：SISSO
图神经网络 入门及实践	学习目标：图神经网络是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——CGCNN与Schnet 图神经网络在材料中应用的实践 自定义图的实现：第三方依赖 - PyG  图卷积层：GCNConv 案例实践教学五：利用图神经网络CGCNN预测无机材料的性能 案例实践教学六：利用Schnet实现对分子理化性质的预测
机器学习+Science	学习目标：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	包含以下内容：（可根据学员要求补充） 案例实践教学七：多种机器学习模型对量子点发光材料色温的预测 案例实践教学八：利用机器学习方法预测半导体材料物理性质 案例实践教学九：利用多种机器学习方法对二维材料的性质预测

 不限时间,不限地点,即报即学

讲师介绍：

苏州大学博士，长期从事人工智能辅助新能源材料模拟与设计，对机器学习有四年的研究经验。熟悉XGBoots，LightGBM等多种机器学习算法和高通量计算框架，已在Angew. Chem. Int. Ed., WIREs Comput Mol Sci.等国际著名期刊发表人工智能与材料模拟论文12篇，获得国家软件著作权两项，在首届DeepModeling Hackathon中获AI赛道二等奖。

机器学习材料性能预测与材料基因工程应用实战1、凡报名学员将获得本次培训电子课件及全部案例电子资料\x0a2、凡报名缴费成功学员即可获取本次无限次回放录播课程\x0a3、课程已建立专属课程群，方便学员针对各自遇到的问题得到老师的解答与指导；\x0a4https://mp.weixin.qq.com/s?__biz=Mzg2NDg0MTkzMw==&mid=2247484566&idx=1&sn=f9bd2c9a7674441b8c31d6af56cdf761&chksm=ce627d34f915f422fe59e9bb47e15d89eadaeb37f268d922fe8227dde91cc2de6c296d4b01d6#rd