材料性能预测模型构建实战

📚 共计 30 章节

课程导论与材料性能预测概述

什么是材料性能预测？为什么需要它？课程目标与学习路径。

材料科学基础回顾

晶体结构、缺陷、相图等核心概念速览。

材料性能与表征

力学、热学、电学性能指标及测试方法简介。

数据驱动方法论

从实验/模拟到数据，从数据到模型的完整流程。

Python与数据科学生态

NumPy、Pandas、Matplotlib、Scikit-learn 快速入门。

特征工程（上）

材料描述符——成分、结构、工艺参数的数值化。

描述符数值化

特征工程（下）

特征选择、降维（PCA、t-SNE）与数据标准化。

降维标准化

数据集构建

公开数据库（Materials Project、OQMD）使用与数据清洗实战。

数据库清洗

线性回归、岭回归、Lasso 在性能预测中的应用。

回归正则化

树模型（上）

决策树与随机森林——原理与材料案例。

随机森林集成

树模型（下）

梯度提升机（XGBoost、LightGBM）调参与实战。

XGBoostLightGBM

支持向量机

SVR 在高维小样本材料数据中的应用。

神经网络入门

感知机、多层感知机（MLP）与反向传播。

深度学习进阶

卷积神经网络（CNN）用于微观结构图像预测。

图神经网络（GNN）

用于晶体图与分子图的性能预测。

模型评估与验证

交叉验证、过拟合与欠拟合、学习曲线。

超参数优化

网格搜索、随机搜索、贝叶斯优化实战。

调参贝叶斯

集成学习与模型融合

Stacking、Blending 提升预测精度。

多任务学习

同时预测多个材料性能（如强度与韧性）。

多任务联合

不确定性量化

预测置信区间与贝叶斯方法简介。

置信区间贝叶斯

可解释性（上）

特征重要性、SHAP 值、部分依赖图。

可解释性（下）

LIME、Grad-CAM 用于深度学习模型。

用最少的实验数据训练最优模型。

将预训练模型应用于新材料体系。

迁移预训练

实战案例一

基于成分预测合金硬度（完整流程）。

实战案例二

基于工艺参数预测陶瓷断裂韧性。

实战案例三

基于微观结构图像预测聚合物性能。

聚合物图像

Flask API 搭建与模型序列化（Pickle/ONNX）。

Transformer 模型、材料基础模型（MatBERT）简介。

TransformerMatBERT

课程总结与未来展望

从预测到设计——材料基因组与逆向设计。

材料基因组逆向设计