AI材料设计：从数据到决策全攻略

📚 共计 30 章节

课程导论：AI材料设计全景

什么是AI材料设计？为什么需要AI？核心流程（数据-模型-决策）概览。

材料科学基础回顾

晶体结构、缺陷、相图、性能描述符。AI视角下的特征工程。

数据驱动方法论

实验设计(DoE)、高通量实验、数据采集与清洗。

材料数据库与API

Materials Project、OQMD、AFLOW等公开数据库及API使用。

数据预处理

缺失值、异常值、标准化/归一化、特征选择。

清洗特征工程

描述符工程

元素属性、结构特征、电子结构描述符构建与筛选。

描述符筛选

机器学习基础

监督/无监督/半监督/强化学习在材料中的应用场景。

线性回归、岭回归、LASSO、SVR、随机森林回归。

逻辑回归、决策树、随机森林、SVM、KNN。

深度学习入门

神经网络基础、激活函数、损失函数、优化器。

深度材料模型：GNN & MPNN

图神经网络、消息传递神经网络用于晶体性质预测。

迁移学习与预训练

小样本学习、MEGNet/CGCNN微调。

迁移预训练

VAE、GAN用于新材料生成。

查询策略、不确定性估计、材料探索应用。

主动学习探索

贝叶斯优化

高斯过程、采集函数、多目标优化。

贝叶斯优化

模型评估与验证

交叉验证、留出法、Bootstrap、过拟合诊断。

SHAP、LIME、特征重要性、物理一致性检查。

材料性质预测实战

带隙、形成能、力学性能预测。

催化剂设计

ORR、HER、CO2RR催化活性预测与筛选。

离子电导率预测、电极筛选、固态电解质设计。

电池电解质

高熵合金、形状记忆合金成分-工艺-性能优化。

聚合物与有机材料

玻璃化转变温度、带隙、迁移率预测。

聚合物有机

2D材料与异质结

层状材料筛选、异质结能带对齐预测。

多尺度建模

第一性原理(DFT)与机器学习势函数(MLIP)结合。

实验验证闭环

AI预测→实验合成→表征反馈的迭代优化。

自动化实验室

自驱动实验平台、机器人合成、实时数据分析。

自动化机器人

工业级部署

模型压缩、边缘计算、MLOps在材料研发中的应用。

伦理与数据安全

数据偏见、可重复性、知识产权保护。

前沿趋势：LLM+AI4Science

大语言模型辅助材料设计，AI for Science新范式。

综合项目实战

从公开数据出发，完成完整AI材料设计项目（目标-数据-建模-验证-报告）。