機器學習(ml)在材料的應用：面對巨大的材料設計空間,基于理論研究、實驗分析以及計算仿真的傳統(tǒng)方法已經(jīng)跟不上高性能新材料的發(fā)展需求。近年來，機器學習與材料基因組的結合帶動了材料信息學的進步,推動了材料科學的發(fā)展。當前,運用數(shù)據(jù)驅動的機器學習算法建立材料性能預測模型,然后將其應用于材料篩選與新材料開發(fā)的研究引起了學者們的廣泛關注。利用機器學習框架搭建材料研究設計平臺對材料大數(shù)據(jù)資源進行分析與預測,成為開發(fā)新型材料的重要手段。包括根據(jù)預測對象確定材料特征的計算或自動抽取,不同精度的實驗與計算數(shù)據(jù)的獲取與預處理;選取或者開發(fā)合適的機器學習預測模型和訓練算法;估計預測效果與預測性能的可靠性;處理材料機器學習問題所獨有的小數(shù)據(jù)、異構數(shù)據(jù)、非平衡數(shù)據(jù)等特性。目前研究的焦點是針對不同的材料性能,收集相關的數(shù)據(jù)集,基于物理原理構造特征表示來訓練機器學習模型,并將機器學習的最新技術用于材料信息學。現(xiàn)階段機器學習已經(jīng)被應用于光伏、熱電、半導體、有機材料等幾乎所有的材料設計領域。通過采用機器學習算法訓練材料性能的預測模型,并將其用于篩選現(xiàn)有材料數(shù)據(jù)庫或者搜索新的材料,大大加快了新材料發(fā)現(xiàn)的過程。機器學習在材料科學的研究應用文章近兩年來多次發(fā)表在Nature、Science、Angew、Advanced Materials、JACS、Nano Letters、ACS Catalysis、Joule、Matter、Energy Storage Materials等國際知名頂刊。例如最近德國馬普鋼鐵研究所韋業(yè)博士與Dierk Raabe教授（共同通訊）聯(lián)合提出了一種主動學習策略，以基于非常稀少的數(shù)據(jù)，在幾乎無限的成分空間中加速高熵因瓦合金的設計。該研究方法是一個閉環(huán)，將機器學習與密度泛函理論、熱力學計算和實驗相結合。研究人員首先使用了699種合金的公開數(shù)據(jù)訓練了學習算法，然后讓算法生成大量具有低熱系數(shù)的候選成分，在加工和表征了17種可能的新合金后，研究人員確定了兩種熱膨脹系數(shù)極低的高熵因瓦合金（在300 K下為約為2×10-6 K-1）。文獻鏈接：Machine learningenabled highentropy alloydiscovery ( Science 2022, 378, 78-85) 。 劍橋大學的Angelos Michaelides團隊在這一領域取得了突破，他們利用量子蒙特卡洛(QMC)方法(分子材料最精確的第一性原理方法之一)來確定所研究系統(tǒng)最合適的DFT泛函，從而避免了計算中的精度和成本之間的權衡，并且開發(fā)了一種機器學習算法(MLPs)，以低得多的成本預測DFT所算得的能量變化（Nature,2022,609,512–516）。華盛頓大學David Baker教授團隊一年連發(fā)三篇Science，超越AlphaFold?。⊿cience, 2022, 377(6604): 387-394.，Science, 2022, 377(6604): 387-394.，Science，2022，DOI: 10.1126/science.add2187）。 2022年10月6日

材料基因組：材料基因組技術是近年來興起的材料研究新理念和新方法,是當今世界材料科學與工程領域的最前沿。材料基因組技術的實質是通過融合高通量材料計算設計、高通量材料實驗和材料數(shù)據(jù)庫三大組成要素,構建材料設計研發(fā)的協(xié)同創(chuàng)新網(wǎng)絡,加速新材料從發(fā)現(xiàn)到應用的全過程。材料基因組計劃的核心理念,是通過計算、數(shù)據(jù)和實驗"三位一體"的方式,變革傳統(tǒng)的主要基于經(jīng)驗和實驗的"試錯法"材料研發(fā)模式,把發(fā)現(xiàn)、開發(fā)、生產(chǎn)和應用新材料的速度提高到目前的兩倍。它旨在建立一個新的以計算模擬和理論預測優(yōu)先、實驗驗證在后的新材料研發(fā)文化,從而取代現(xiàn)有的以經(jīng)驗和實驗為主的材料研發(fā)的模式。

CP2K-從頭計算和分子動力學專題：長期以來,新材料一直是推動材料應用和技術發(fā)展的主要因素。在過去的十幾年中,該領域的基礎知識和技術應用中的許多進步都與意外發(fā)現(xiàn)具有新穎和理想性能的新材料有關。這些材料中的很多已經(jīng)從作為基礎研究興趣的對象轉變?yōu)閷嶋H應用的對象。然而,新材料的復雜性為實驗科學的實現(xiàn)帶來了困難,很多過程難以捕獲,限制了材料的理性設計。隨著計算機功能的增強和新計算方法的發(fā)展,可以使用理論計算方法來揭示這些材料結構與屬性的關系,以探索性能卓越的新型材料。第一性原理作為一種不依賴經(jīng)驗參數(shù)的定量分析方法，能夠大幅度縮減材料從設計到工程化應用的周期及成本。而CP2K是著名的開源第一性原理材料計算和模擬軟件, 是運行最快的開源第一性原理材料計算和模擬軟件, 可研究上千個原子的大體系，廣泛用于固體、液體、分子、周期、材料、晶體和生物系統(tǒng)的模擬。對各種研究具有重要的推動作用，加速新材料的設計和研發(fā)。

全國各大高校、企業(yè)、科研院所從事方向為納米材料、化學化工、計算化學、量子化學、金屬合金、非晶新材料、二維材料、鈣鈦礦、氧化物材料、半導體材料、環(huán)境材料、燃燒電池、鋰電池、生物材料、聚合物復合材料、能源材料、光電材料、增材制造、催化、亞穩(wěn)材料、儲能材料、催化劑、環(huán)境科學、凝聚態(tài)物理、電催化材料計算、光伏材料、材料基、高分子材料、數(shù)據(jù)庫、道路工程、傳遞現(xiàn)象與分離工程、機電工程、光熱CO2還原、化學轉化膜、碳減排、污泥材料、復合板制備、合金、偽裝隱身、環(huán)境材料、電解質、鐵電壓電、磁性材料、高分子復合材料、天然氣水合物、除濕/防凍/吸收溶液、分析化學、超材料設計、數(shù)值模擬、可降解金屬材料、特種陶瓷、濕法冶金、集成計算材料設計、鋁鎂合金、光纖生化傳感、紡織材料、光學工程、催化殺菌、金屬材料成型等研究的科研人員及機器學習人工智能算法愛好者

老師來自國內高校孫老師，老師擅長利用量子化學方法和機器學習方法預測設計并研究新型能源材料、鋰離子電池的電極材料，燃料電池催化劑以及燃料電池體系的整體設計，已在Energy & Materals,Journal of Physical Chemistry Letters, Journal Physical Chemistry C，等權威期刊上發(fā)表SCI檢索論文近40余篇。

機器學習（ML）在材料領域應用

第一天

機器學習在材料與化學常見的方法

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

Python基礎

1.開發(fā)環(huán)境搭建

2.變量和數(shù)據(jù)類型

3.列表

4.if語句

5.字典

6.For和while循環(huán)

實操內容

Python基礎（續(xù)）

1.函數(shù)

2.類和對

3.模塊

Python科學數(shù)據(jù)處理

1.NumPy

2.Pandas

3.Matplotlib

第二天

機器學習材料與化學應用

理論內容

1.線性回歸

1.1 線性回歸的原理

1.2 線性回歸的應用

2. 邏輯回歸

2.1原理

2.2 使用方

3. K近鄰法（KNN）

3.1 KNN分類原理

3.2 KNN分類應用

4. 神經(jīng)網(wǎng)絡方法的原理

4.1 神經(jīng)絡原理

4.2神經(jīng)網(wǎng)絡分類

4.3神經(jīng)網(wǎng)絡回歸

實操內容

1.線性回歸方法的實現(xiàn)與初步應用（包括L1和L2正則項的使用方法）

2.邏輯回歸的實現(xiàn)與初步應用

3.KNN方法的實現(xiàn)與初步應用

4.神經(jīng)網(wǎng)絡實現(xiàn)

項目實操

1.利用線性回歸方法預測合金性能

2.利用KNN方法對MOF材料分類

這兩個實操項目同時穿插講解如下內容

1. 機器學習材料與化學應用的典型步驟

1.1 數(shù)據(jù)采集和清洗

1.2 特征選擇和模型選擇

1.3 模型訓練和測試

1.4 模型性能評估和優(yōu)化

第三天

1. 用隨機森林方法預測大孔材料對CO２吸附

2.用決策樹判斷半導體材料類型

理論內容

1．決樹

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(shù)

實操內容

1.決策樹的實現(xiàn)和應用

2.隨機森林的實現(xiàn)和應用

3.樸素貝葉斯的實現(xiàn)和應用

4.支持向量機的實現(xiàn)和應用

項目實操

1.用隨機森林方法預測大孔材料對CO２吸附量

2.用決策樹判斷半導體材料類型

這兩個實操項目同時穿插講解如下內容

1.模型性能的評估方法

1.1 交叉驗證：評估估計器的性能

1.2 分類性能評估

1.3 回歸性能評估

第四天

利用聚類方法對材料分類及可視化

理論內容

1. 無監(jiān)督學習

1.1 什么是無監(jiān)督學習

1.2 無監(jiān)督算法——聚類

1.3 無監(jiān)督算法——降維

2. 材料與化學數(shù)據(jù)的特征工程

2.1分子結構表示

2.2 獨熱編碼

3. 數(shù)據(jù)庫

3.1.材料數(shù)據(jù)庫介紹

3.2.Pymatgen介紹

實操內容：

Pymatgen和material project實操

項目實操：

1. 利用支持向量機預測無機鈣鈦礦材料性能

2. 利用神經(jīng)網(wǎng)絡預測電化學催化劑的催化性能

第五天

1.向量機預測無機鈣鈦礦材料性能

2.神經(jīng)網(wǎng)絡預測電化學催化劑的催化性能

項目實操：

1. 分子結構的表示與特征提取

2. 聚類、降維等無監(jiān)督學習方法應用于分子特征處理

項目實操

1. 利用機器學習方法預測有機無機雜化鈣鈦礦材料性能

2. CO2電化學還原催化劑性能預測的綜合實訓

第六天

1.機器學習方法預測半導體材料物理性質

2.多種機器學習方法綜合預測

項目實操：

１. 邏輯回歸預測鈣鈦礦性質

2. 基于分子特征的無監(jiān)督學習綜合應用

項目實操：

1. 利用多種機器學習方法對氧化物材料性質的綜合預測

2. 利用多種機器學習方法對材料類型多分類的綜合預測

材料基因組

第一天

Python講解與實操

理論內容：

1.材料基因組概述

2.材料基因組的基本方法

3.材料數(shù)據(jù)庫material project, OPMD, AFLO

實操內容 ：

Python基礎

1.開發(fā)環(huán)境搭建

2.變量和數(shù)據(jù)類型

3.列表

4.if語句

5.字典

6.For和while循環(huán)

實操內容 ：

Python基礎（續(xù)）

1.函數(shù)

2.類和對象

3.模塊

4.Python科學數(shù)據(jù)處理

5.NumPy

6.Pandas

7.Matplotlib

第二天

材料基因組與數(shù)據(jù)庫

實操內容：

1. Scikit-learn機器學習操作入門（約1小時）

2. AFLOW數(shù)據(jù)庫

2.1 AFLOW數(shù)據(jù)庫功能練習

2.2. AFLOW數(shù)據(jù)庫的數(shù)據(jù)獲取

實操內容 ：

1. OQMD數(shù)據(jù)庫

1.1 OQMD數(shù)據(jù)庫功能練習

1.2 OQMD數(shù)據(jù)庫的數(shù)據(jù)獲取

2. material project數(shù)據(jù)庫

2.1 Pymatgen練習

2.2 Pymatgen獲取material project材料數(shù)據(jù)

第三天

結構數(shù)據(jù)驅動的高通量計算

實操和演示內容：

基于結構數(shù)據(jù)驅動的高通量計算：

1. pymatgen大批量結構獲取

2. 基于pymatgen的計算文件生成

3. 大批量計算結果的獲取與統(tǒng)計

實操內容：

案例一：基于數(shù)據(jù)驅動的功能材料開發(fā)（合金材料）

1. 背景介紹

2. 數(shù)據(jù)獲取

3. 構建特征

4. 機器學習

5. 討論與評測

穿插常見機器學習算法的介紹

第四天

基于數(shù)據(jù)驅動的多個功能材料開發(fā)案例實操

案例二：基于數(shù)據(jù)驅動的功能材料開發(fā)（半導體材料）

1. 背景介紹

2. 數(shù)據(jù)獲取

3. 構建特征

4. 機器學習

5. 討論與評

穿插材料特征工程的介紹

案例三：基于數(shù)據(jù)驅動的功能材料開發(fā)（鈣鈦礦材料）

1. 背景介紹

2. 數(shù)據(jù)獲取

3. 構建特征

4. 機器學習

5. 討論與評測

CP2K：從頭計算和分子動力學

第一天CP2K與量子力學

理論內容

1. CP2K框架

2. DFT（密度泛函理論）基礎

3. CP2K的核心：GAPW（Gaussian-augmented plane wave approach）介紹

4. CP2K的input

QM（量子力學）計算實操內容-1

1. 基組文件和勢場文件選取

2. 分子體系單點能計算

3. 分子結構優(yōu)化

4. 分子結構和電子結構的可視化

理論內容

1.分子動力學模擬介紹

2.周期性邊界條件

3.MD模擬系綜

4.勢函數(shù)

MM（分子力學）計算實操內容-1

1. 溶劑體系的構造與可視化

2. L-J勢場的參數(shù)設置

3. 利用L-J勢場對溶劑體系的模擬

4. 分子動力學模擬分析（徑向分布函數(shù)RDF，均方位移MSD，模擬退火…）

第二天子力學實操

理論內容

1. 周期性體系

2. 平面波與倒空間

3. DOS（態(tài)密度）知識基礎

4. 能帶知識基礎

QM（量子力學）計算實操內容

　 1. 晶體結構的獲取與可視化

2. 晶體結構的單點能和結構優(yōu)化

3. ＤＯＳ計算和分析

4. 能帶計算和分析

理論內容

CP2K、GROMACS和力場類型介紹

MM（分子力學）計算實操內容-2：

1. CP2K、GROMACS計算MD詳解

2.熱浴、退火計算與分析

3.VMD可視化軌跡與分析

4.Gromacs對軌跡進行后處理分析

5.自由能勢能面的模擬

第三天量子力學實操

理論內容

1. 晶體表面和晶面指數(shù)

2. 過渡態(tài)理論介紹

QM（量子力學）計算實操內容-3

1. 晶體表面的構造與可視化

2. 晶體表面的結構優(yōu)化

3. 晶體表面的分子吸附與成鍵狀態(tài)分析

4. NEB方法計算離子遷移路徑

理論內容

1. AIMD（從頭計算分子動力學）的基本知識和應用

2. 自由能勢能面介紹

AIMD（從頭計算分子動力學）計算實操內容

1.Cu顆粒熔化過程的MD模擬

2.Cu顆粒在CO2中結構演變的MD模擬

3.催化劑作用下N2分解的二維自由能曲面計算

第四天QM+MM

理論內容

元動力學（metadynamics）介紹

QM（量子力學）計算實操內容-4

1. metadynamics方法的關鍵參數(shù)設置

2. metadynamics方法計算分子解離過程

3. 鋰離子電池電極材料鋰離子遷移過渡態(tài)的計算

理論內容

1.QM/MM理論介紹

2.QM/MM在不同體系的應用

QM/MM計算實操內容-2

1. 一般的溶劑化蛋白的處理流程

2. 蛋白晶體的準備

3. 結構的能量最小化

4. 對體系的預平衡

5. 無限制的分子動力學模擬

6. RMSD、RMSF、能量變化及蛋白的回旋半徑分析

第五天QM+AIMD

理論內容

1. TDDFT計算激發(fā)態(tài)的介紹

2. 振動熵和零點能的計算

QM（量子力學）計算實操內容-5

1. 分子激發(fā)態(tài)的計算和結果分析

2. 電化學催化ORR（氧還原反應）過程的計算矯正和臺階圖繪制

理論內容

1.不同體系下AIMD建模

2. CP2K電子結構與MD

文獻案例分析 實操內容

1.AIMD研究Au/TiO2對CO的催化機理

2.利用DFT和AIMD研究N5H對CO2的催化機理