背景

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?，F(xiàn)階段機器學習已經被應用于光伏、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，利用AI技術創(chuàng)造新蛋白質?。⊿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)有的以經驗和實驗為主的材料研發(fā)的模式。

背景

由于機器學習材料與材料基因組研究發(fā)展緩慢，學習平臺文獻資料較少，培訓學習迫在眉睫， 應廣大科研人員要求，本單位經過數(shù)月調研，決定聯(lián)合專家舉辦“機器學習（ML）在材料領域應用與材料基因組”的專題線上培訓班，本單位已經舉辦多期培訓，參會人員達六百余人，對于培訓安排和培訓質量學員一致評價極高 ，我們也是國內從事機器學習（ML）材料領域應用與材料基因組的專業(yè)培訓單位，培訓請一定要認準我們！

對象

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

專家

主講老師來自國內高校孫老師授課，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 & Materials,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。

點擊下面鏈接即可查看詳細內容：

https://mp.weixin.qq.com/s?__biz=Mzg3Mzc0NDkxMA==&mid=2247484515&idx=1&sn=413da3aae8f42dc24f3acc1f39f21907&chksm=ceda1b02f9ad921485e76e95bfd17ace4bde5d907a173648a9f11aede8eee99859a83b815d53&token=434560851&lang=zh_CN#rd