01
课程导论
为什么机器学习在材料科学中如此重要？课程目标与学习路径概览。
范式入门
02
材料科学基础回顾
晶体结构、相图、力学性能与电子结构的基本概念。
晶体相图
03
数据驱动范式
从试错法到高通量计算，再到机器学习的范式转变。
高通量范式
04
材料数据库概览
Materials Project、OQMD、AFLOW等公开数据库介绍与使用。
数据库开源
05
特征工程基础
材料描述符（组分、结构、电子特征）的构建与选择。
描述符特征
06
数据预处理
缺失值处理、标准化、归一化与数据增强在材料数据中的应用。
清洗归一化
07
回归模型入门
线性回归、岭回归、Lasso在预测材料性能中的应用。
回归线性
08
分类模型入门
逻辑回归、决策树、随机森林用于材料相分类与失效预测。
分类随机森林
09
支持向量机
SVM在材料分类（如金属/非金属）与回归（如带隙预测）中的应用。
SVM核方法
10
集成学习方法
梯度提升（XGBoost, LightGBM）在材料性能预测中的实战。
XGBoost集成
11
神经网络基础
感知机、激活函数、反向传播与材料科学中的简单应用。
NN反向传播
12
深度学习框架
PyTorch/TensorFlow入门，搭建用于材料性能预测的全连接网络。
PyTorchTensorFlow
13
卷积神经网络
CNN用于微观结构图像识别（如SEM/TEM图像分类）。
CNN图像
14
图神经网络
GNN用于分子与晶体性质预测（如形成能、带隙）。
GNN晶体
15
生成模型
VAE与GAN用于新材料结构生成与逆向设计。
VAEGAN
16
主动学习
在材料探索中如何用主动学习减少实验/计算成本。
主动学习采样
17
迁移学习
将预训练模型迁移到数据稀缺的材料子领域。
迁移预训练
18
多任务学习
同时预测多个材料性能（如硬度、导电性、热导率）。
多任务联合
19
不确定性量化
贝叶斯神经网络与高斯过程在材料预测中的置信度评估。
贝叶斯不确定性
20
材料文本挖掘
NLP技术从文献中自动提取材料合成与性能数据。
NLP文本
21
案例实战一
利用机器学习预测钙钛矿太阳能电池的带隙与稳定性。
钙钛矿带隙
22
案例实战二
基于成分与工艺参数预测合金的硬度与屈服强度。
合金强度
23
案例实战三
催化剂筛选——预测CO2还原反应的过电位与选择性。
催化CO2
24
案例实战四
锂电池材料——预测电极材料的离子电导率与循环寿命。
电池电导率
25
模型解释性
SHAP、LIME在材料模型中的应用，理解“黑箱”决策。
SHAP可解释
26
模型部署
将训练好的材料预测模型封装为Web API或桌面应用。
部署API
27
可重复性实践
版本控制、实验记录与Docker容器化在材料ML项目中的应用。
Docker可重复
28
伦理与局限
数据偏差、模型泛化性与材料科学中的“AI幻觉”。
伦理偏差
29
前沿趋势
大语言模型、基础模型与自动化实验室在材料科学中的未来。
LLM自动化
30
课程总结与项目展示
综合项目指导与未来学习资源推荐。
总结项目