機(jī)器學(xué)習(xí)在材料結(jié)構(gòu)與性能預(yù)測中的應(yīng)用實(shí)戰(zhàn)

傳統(tǒng)的材料研發(fā)技術(shù)是通過實(shí)驗(yàn)合成表征對材料進(jìn)行試錯(cuò)和驗(yàn)證，而過去的計(jì)算手段受限于算法效率，無法有效求解實(shí)際工業(yè)生產(chǎn)中面臨的復(fù)雜問題。近幾年隨著大數(shù)據(jù)和人工智能介入，通過采用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法訓(xùn)練數(shù)據(jù)集來構(gòu)建模型，以預(yù)測材料的結(jié)構(gòu)、吸附特性、電學(xué)特性、催化性能、力學(xué)特性和熱力學(xué)特性等性能，大大推動(dòng)了新型材料的發(fā)現(xiàn)和傳統(tǒng)材料的更新，預(yù)測結(jié)果甚至能夠達(dá)到與高保真模型基本相同的精度，且計(jì)算成本很低。然而，機(jī)器學(xué)習(xí)在材料科學(xué)中的應(yīng)用仍存在一些瓶頸，人工智能研究項(xiàng)目所需的技能和知識(shí)匱乏缺失制約著該方向的發(fā)展。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、經(jīng)典機(jī)器學(xué)習(xí)模型、材料數(shù)據(jù)庫及特征工程、圖神經(jīng)網(wǎng)絡(luò)與實(shí)踐、機(jī)器學(xué)習(xí)+Science五個(gè)模塊，過程中穿插實(shí)際應(yīng)用算例（神經(jīng)網(wǎng)絡(luò)在催化領(lǐng)域的應(yīng)用-CO2還原、預(yù)測雜化鈣鈦礦的帶隙和形成能、有機(jī)太陽能電池材料的快速篩選、圖神經(jīng)網(wǎng)絡(luò)預(yù)測無機(jī)材料的性能、量子點(diǎn)發(fā)光材料色溫的預(yù)測等）

機(jī)器學(xué)習(xí)導(dǎo)論

學(xué)習(xí)目標(biāo)：對機(jī)器學(xué)習(xí)基本概念進(jìn)行介紹，讓大家對機(jī)器學(xué)習(xí)基本概念有大致了解。明確機(jī)器學(xué)習(xí)方法的適用性，優(yōu)勢，以及局限性等

什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例

機(jī)器學(xué)習(xí)在材料領(lǐng)域的應(yīng)用

python語言基礎(chǔ)

學(xué)習(xí)目標(biāo)：機(jī)器學(xué)習(xí)主流實(shí)現(xiàn)是python語言。在學(xué)習(xí)機(jī)器學(xué)習(xí)之前，有針對性的對python進(jìn)行系統(tǒng)的學(xué)習(xí)，以方便將來開展機(jī)器學(xué)習(xí)的學(xué)習(xí)

python安裝與開發(fā)環(huán)境的搭建

基本數(shù)據(jù)類型

組合數(shù)據(jù)類型

控制結(jié)構(gòu)

循環(huán)結(jié)構(gòu)

函數(shù)

模塊

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)?

學(xué)習(xí)目標(biāo)：從零開始手動(dòng)實(shí)現(xiàn)一個(gè)神經(jīng)網(wǎng)絡(luò)，在這一過程中對所涉及的原理進(jìn)行系統(tǒng)講解及實(shí)踐，讓大家能夠更深刻的理解算法背后的原理以及實(shí)現(xiàn)方法，之后有利于對其他機(jī)器學(xué)習(xí)更全面快速掌握

logistic 回歸與損失函數(shù)

梯度下降法與?導(dǎo)數(shù)

計(jì)算圖的導(dǎo)數(shù)計(jì)算

logistic 回歸中的梯度下降法

向量化 logistic 回歸的梯度輸出

神經(jīng)網(wǎng)絡(luò)的梯度下降法

深層網(wǎng)絡(luò)中的前向傳播

深度學(xué)習(xí)框架

經(jīng)典機(jī)器學(xué)習(xí)模型及應(yīng)用?

學(xué)習(xí)目標(biāo)：對在材料領(lǐng)域中最常使用的幾種機(jī)器學(xué)習(xí)模型進(jìn)行介紹，總結(jié)它們的優(yōu)缺點(diǎn)及適用范圍，通過動(dòng)手實(shí)踐快速掌握幾種方法

線性模型

決策樹

支持向量機(jī)

集成學(xué)習(xí)

模型選擇與性能優(yōu)化

材料數(shù)據(jù)庫及特征工程

學(xué)習(xí)目標(biāo)：數(shù)據(jù)庫構(gòu)建是機(jī)器學(xué)習(xí)中的重要步驟，對材料領(lǐng)域常見的數(shù)據(jù)庫進(jìn)行介紹，學(xué)習(xí)如何利用ASE，pymatgen等軟件包批量構(gòu)建及處理數(shù)據(jù)集，以及對材料進(jìn)行特征選擇。講解常見的材料結(jié)構(gòu)表示方法及編碼

常見材料數(shù)據(jù)庫簡介

材料訓(xùn)練集的構(gòu)建

材料與化學(xué)數(shù)據(jù)的特征工程

常見的材料特征選擇方法

模型性能評(píng)估和優(yōu)化

圖神經(jīng)網(wǎng)絡(luò)入門及實(shí)踐

學(xué)習(xí)目標(biāo)：圖神經(jīng)網(wǎng)絡(luò)是最近在科學(xué)領(lǐng)域最為火熱的研究領(lǐng)域。由于化學(xué)結(jié)構(gòu)與圖論有著天然的適配性，相較于其他模型，圖神經(jīng)網(wǎng)絡(luò)在材料化學(xué)領(lǐng)域更為擅長。在這一部分我們會(huì)對圖神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)的講解，學(xué)習(xí)常見的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)，實(shí)踐圖神經(jīng)網(wǎng)絡(luò)在部分材料中的應(yīng)用

圖論簡單入門

圖神經(jīng)網(wǎng)絡(luò)概念介紹

化學(xué)與材料領(lǐng)域經(jīng)典的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)

圖神經(jīng)網(wǎng)絡(luò)在材料中應(yīng)用的實(shí)踐

機(jī)器學(xué)習(xí)+Science?

學(xué)習(xí)目標(biāo)：介紹機(jī)器學(xué)習(xí)領(lǐng)域前沿內(nèi)容，讓大家了解最新的材料科學(xué)與機(jī)器學(xué)習(xí)領(lǐng)域的研究動(dòng)態(tài)，同時(shí)介紹幾種更為先進(jìn)的機(jī)器學(xué)習(xí)算法

強(qiáng)化學(xué)習(xí)在材料優(yōu)化問題中的應(yīng)用

主動(dòng)學(xué)習(xí)框架的在科學(xué)問題中的實(shí)現(xiàn)

生成模型在材料設(shè)計(jì)中的應(yīng)用與挑戰(zhàn)

Transformer應(yīng)用——以AlphaFold2為例

應(yīng)用實(shí)例

在整個(gè)教學(xué)過程穿插以下應(yīng)用實(shí)例：（可根據(jù)學(xué)員要求補(bǔ)充）

神經(jīng)網(wǎng)絡(luò)在催化中的應(yīng)用——CO2還原

利用機(jī)器學(xué)習(xí)方法預(yù)測雜化鈣鈦礦的帶隙和形成能

利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)有機(jī)太陽能電池材料的快速篩選

利用圖神經(jīng)網(wǎng)絡(luò)預(yù)測無機(jī)材料的性能

多種機(jī)器學(xué)習(xí)模型對量子點(diǎn)發(fā)光材料色溫的預(yù)測