材料基因组学 · 项目实战案例分析

📚 共计 30 章节

材料基因组学概述

什么是材料基因组学？核心思想、发展历程与传统研发的区别。

高通量计算基础

第一性原理(DFT)与分子动力学(MD)在高通量筛选中的应用。

材料数据库构建

从Materials Project、OQMD获取数据，清洗与标准化。

数据库清洗

特征工程（上）

元素属性特征：电负性、原子半径、价电子数提取与组合。

特征工程（下）

结构特征(空间群、晶格常数)与描述符(Sine Matrix, SOAP)。

机器学习模型选型

回归(Ridge, RF, GBR)与分类(SVM, KNN)在性能预测中对比。

模型训练与验证

数据集划分、交叉验证、过拟合与欠拟合处理。

模型评估指标

MAE, RMSE, R², 准确率, 召回率, F1-score 具体含义。

特征重要性分析

SHAP, Permutation Importance 找出关键因素。

可解释性SHAP

材料性能预测实战（一）

带隙预测——从数据收集到模型部署全流程。

材料性能预测实战（二）

形成能预测——处理不平衡数据集与异常值。

形成能不平衡

材料性能预测实战（三）

弹性模量预测——多目标回归与模型融合。

弹性模量融合

晶体结构预测

遗传算法(GA)与粒子群优化(PSO)的结构搜索。

相图计算与机器学习

结合CALPHAD与ML加速相图构建。

生成模型在材料设计中的应用

VAE与GAN生成新材料结构。

主动学习策略

高效采样，减少实验/计算成本。

主动学习采样

多目标优化

Pareto前沿与NSGA-II在强度/韧性中的应用。

实验验证闭环

ML预测与实验合成、表征反馈迭代。

案例一：高熵合金设计

ML筛选CoCrFeNi基最佳成分。

高熵合金案例

案例二：热电材料优化

高通量计算与ML预测ZT值，发现新材料。

案例三：锂离子电池正极材料筛选

从数据库挖掘到电化学性能预测。

锂电池正极

案例四：催化剂发现

基于d带中心理论与ML的催化活性预测。

案例五：超硬材料设计

硬度模型+机器学习寻找新型超硬材料。

材料基因组学平台搭建

Python (pymatgen, sklearn, tensorflow) 自动化工作流。

数据管理与版本控制

使用Git、DVC管理材料数据与模型版本。

高性能计算与云平台

Slurm集群/AWS/Azure部署高通量计算。

结果可视化

Matplotlib, Plotly, OVITO展示结构与性能。

可重复性与最佳实践

编写可复现的材料基因组学代码与报告。

可重复最佳实践

图神经网络(GNN)、大型语言模型(LLM)在材料科学中的应用。

综合实战项目

从零设计新型储能材料，涵盖数据、模型、实验验证全流程。

储能全流程