01
材料科学基础与数据驱动范式
传统材料研发的痛点 · 数据驱动方法概述 · AI for Science 的兴起
范式基础
02
材料数据获取与数据库
公开材料数据库 · 数据爬取与API调用 · 数据版权与引用规范
Materials ProjectOQMD
03
材料数据预处理与清洗
缺失值处理 · 异常值检测 · 数据标准化与归一化 · 特征工程基础
清洗特征工程
04
材料特征工程与描述符
元素属性特征 · 结构特征(RDF/ADF) · 组合特征与领域知识嵌入
描述符RDF
05
机器学习模型基础
线性回归 · 决策树 · 随机森林 · 支持向量机在材料性能预测中的应用
回归SVM
06
深度学习模型入门
全连接神经网络 · CNN(晶体结构图像) · 图神经网络(分子/晶体图)
GNNCNN
07
材料性能预测实战
以带隙预测为例 · 回归模型 · 模型评估(MAE/R²) · 超参数调优
带隙调优
08
材料分类与相识别
晶体结构分类 · XRD图谱自动识别 · 机器学习分类方法
相识别XRD
09
生成模型与逆向设计
变分自编码器(VAE) · 生成对抗网络(GAN) · 新材料生成
VAEGAN
10
主动学习与实验设计
主动学习循环 · 不确定性量化 · 贝叶斯优化在材料探索中的应用
贝叶斯优化主动学习
11
多目标优化与Pareto前沿
同时优化多个材料性能(强度与韧性) · NSGA-II算法简介
ParetoNSGA-II
12
材料文本挖掘与知识图谱
从文献中自动提取材料信息 · 构建材料知识图谱
知识图谱文本挖掘
13
高通量计算与虚拟筛选
第一性原理(DFT)与机器学习结合 · 自动化工作流(AiiDA/PyMatGen)
高通量DFT
14
实验数据自动化处理
自动化读取实验仪器数据(XRD/SEM) · 图像识别与量化分析
自动化图像识别
15
材料信息学工具链
Python生态(Pymatgen/ASE/Matminer) · Jupyter Notebook 实战
PymatgenMatminer
16
案例研究：催化材料发现
从数据收集到模型部署 · 预测CO₂还原反应催化剂
催化CO₂还原
17
案例研究：电池材料筛选
预测锂离子电导率 · 筛选固态电解质
电池固态电解质
18
案例研究：高熵合金设计
利用机器学习加速高熵合金成分优化
高熵合金成分优化
19
案例研究：聚合物性能预测
预测玻璃化转变温度(Tg)与机械性能
聚合物Tg
20
模型可解释性
SHAP值 · 特征重要性分析 · 部分依赖图，让模型不再黑箱
SHAP可解释性
21
不确定性估计
蒙特卡洛Dropout · 深度集成 · 高斯过程回归
不确定性高斯过程
22
迁移学习与少样本学习
利用预训练模型解决材料数据稀缺问题
迁移学习少样本
23
联邦学习与隐私保护
在材料数据共享中保护知识产权
联邦学习隐私
24
模型部署与MLOps
将模型封装为REST API · 使用Docker部署 · 持续监控
MLOpsDocker
25
材料数据库搭建与管理
使用SQLite/PostgreSQL存储材料数据 · 设计数据模式
数据库SQLite
26
计算集群与云平台使用
Slurm作业调度 · AWS/GCP云资源管理 · 容器化计算环境
Slurm云平台
27
可重复性研究与版本控制
Git · DVC(数据版本控制) · Conda环境管理
GitDVC
28
学术论文与报告撰写
如何呈现AI+材料的研究结果 · 图表规范 · 补充材料组织
论文图表规范
29
伦理、偏见与负责任创新
数据偏见 · 模型公平性 · AI在材料安全中的应用
伦理负责任创新
30
未来趋势与职业发展
自主实验室 · 大模型在材料科学中的应用 · 职业路径规划
自主实验室职业规划