AI驱动材料设计核心方法解析
📚 共计 30 章节
01
AI驱动材料设计导论
从传统试错到智能设计的范式转变，AI在材料科学中的核心价值与典型应用场景。
范式转变
应用场景
02
材料数据基础设施
材料数据库（Materials Project、OQMD、NOMAD）、数据标准化与FAIR原则、数据清洗与特征工程基础。
数据库
FAIR
特征工程
03
材料表征与描述符
元素属性描述符、结构描述符（如径向分布函数）、组合描述符、图神经网络描述符的构建逻辑。
描述符
RDF
GNN
04
机器学习基础回顾
监督学习（回归与分类）、无监督学习（聚类与降维）、模型评估与交叉验证、过拟合与正则化。
监督学习
无监督
交叉验证
05
核心算法I：随机森林与梯度提升树
随机森林与梯度提升树在材料性能预测中的应用（以带隙预测为例）。
随机森林
GBDT
带隙
06
核心算法II：支持向量机与核方法
支持向量机与核方法在相分类与结构识别中的应用。
SVM
核方法
相分类
07
核心算法III：人工神经网络与深度学习
人工神经网络与深度学习基础，从感知机到多层感知机。
ANN
MLP
深度学习
08
图神经网络（GNN）与材料
图表示材料结构、消息传递机制、GNN在晶体性质预测中的实战。
GNN
消息传递
晶体
09
生成模型与逆向设计
变分自编码器（VAE）、生成对抗网络（GAN）在新材料结构生成中的应用。
VAE
GAN
逆向设计
10
主动学习策略
查询策略（不确定性采样、期望改进）、主动学习循环、在材料筛选中的降本增效。
主动学习
不确定性
筛选
11
贝叶斯优化
高斯过程回归、采集函数（EI、PI、UCB）、在实验参数优化中的实战案例。
贝叶斯优化
GP
采集函数
12
迁移学习与少样本学习
预训练模型微调、域自适应、在数据稀缺的材料任务中的应用。
迁移学习
少样本
域自适应
13
多任务学习与多目标优化
同时预测多个性质、帕累托前沿、在合金设计中的应用。
多任务
帕累托
合金
14
可解释AI（XAI）在材料中
特征重要性、SHAP值、注意力机制可视化、理解模型决策。
XAI
SHAP
注意力
15
材料文本挖掘与知识图谱
自然语言处理（NLP）在文献挖掘中的应用、构建材料知识图谱。
NLP
知识图谱
文本挖掘
16
高通量计算与AI集成
密度泛函理论（DFT）与机器学习势函数、自动化工作流（AFLOW、Atomate）。
DFT
ML势
AFLOW
17
实验自动化与AI闭环
自驱动实验室（Self-driving Lab）、贝叶斯实验设计、机器人合成与表征。
自驱动实验室
机器人
闭环
18
案例研究I：光伏材料（钙钛矿）
钙钛矿材料的AI筛选与优化。
钙钛矿
光伏
AI筛选
19
案例研究II：电池材料（固态电解质）
固态电解质的离子电导率预测与设计。
固态电解质
离子电导率
电池
20
案例研究III：催化剂（单原子催化剂）
单原子催化剂的高通量筛选与活性预测。
单原子
催化剂
高通量
21
案例研究IV：结构材料（高熵合金）
高熵合金的相稳定性与力学性能预测。
高熵合金
相稳定
力学性能
22
案例研究V：热电材料
热电材料的ZT值优化与新型化合物发现。
热电
ZT值
优化
23
AI驱动的材料表征
自动相识别、显微图像分析（深度学习分割）、光谱解析。
相识别
图像分割
光谱
24
不确定性量化
偶然不确定性与认知不确定性、贝叶斯神经网络、在安全关键材料中的应用。
不确定性
贝叶斯NN
安全
25
材料数据增强
物理信息约束的数据增强、对称性增强、噪声注入策略。
数据增强
对称性
物理约束
26
模型部署与工程化
ONNX模型转换、REST API搭建、在材料研发平台中的集成。
ONNX
API
部署
27
伦理与可重复性
数据隐私、模型偏见、可重复性危机、开放科学实践。
伦理
可重复性
开放科学
28
前沿趋势I：基础模型与大规模预训练
基础模型（如MatBERT、MatterGen）与大规模预训练。
MatBERT
MatterGen
预训练
29
前沿趋势II：AI与量子计算交叉
AI与量子计算的交叉、量子机器学习在材料模拟中的潜力。
量子计算
QML
材料模拟
30
课程总结与未来展望
AI材料设计的瓶颈、跨学科协作、个人成长路径建议。
总结
跨学科
成长路径