1. 课程导论与材料数据基础
各位同学好，我是你们这门课的老朋友。今天咱们正式开篇，聊聊材料性能预测模型的根基——数据。
说实话，我刚开始做材料计算那会儿，哪有什么数据驱动啊。都是自己吭哧吭哧跑DFT，一个结构算三天，出来一条数据。现在想想，真是原始社会。但时代变了，材料基因组理念一出来，整个领域都换了玩法。
1.1 材料基因组理念：从试错到设计
材料基因组，说白了就是想把材料研发从「炒菜式」的试错，变成「搭积木式」的设计。你想想看，传统方法做个新材料，从配方到测试，少说三五年。但如果我们把材料的成分、结构、性能之间的关系摸透了，是不是就能像查字典一样，直接找到想要的材料？
我个人习惯把材料基因组理解成三个要素：
- 高通量计算：用计算机批量算，一天跑几千个结构
- 高通量实验：自动化设备同时做几百组实验
- 数据挖掘：从海量数据里找规律，建模型
这三者缺一不可。我在项目中遇到过不少团队，要么只堆数据不建模，要么模型建得漂亮但数据质量一塌糊涂。嗯，这里要提醒大家：数据是地基，地基不稳，楼盖得再高也得塌。
1.2 数据驱动范式：机器学习凭什么能预测材料性能？
很多人问我：「老师，材料物理规律那么复杂，机器学习真能搞定？」
我的回答是：能，但有前提。
传统计算材料学靠的是解薛定谔方程，精度高但慢。机器学习呢？它不关心物理本质，它只关心输入和输出之间的映射关系。你给它一万个材料的成分、结构、工艺参数，再告诉它对应的性能，它就能自己学会那个映射函数。
说白了，就是「看多了自然就会了」。就像你看了几千张猫的图片，不用懂猫的解剖学，也能一眼认出猫。
但这里有个坑——外推能力。机器学习模型在训练数据覆盖的范围内表现很好，一旦遇到全新的、没见过的材料类型，预测结果可能就离谱了。我曾经用某个模型预测一种新型高熵合金的硬度，结果偏差了30%多，就是因为训练集里没有类似成分的样本。
1.3 材料数据库介绍：你的数据从哪来？
做材料机器学习，第一步就是找数据。好在现在开源数据库已经相当丰富了。我给大家列几个常用的：
| 数据库名称 | 主要数据类型 | 数据量级 | 特点 |
|---|---|---|---|
| Materials Project | 晶体结构、电子结构、热力学性质 | 15万+ | 最全面，API接口成熟 |
| OQMD | 相稳定性、形成能 | 100万+ | 数据量大，适合高通量筛选 |
| AFLOW | 能带结构、态密度、弹性常数 | 300万+ | 计算流程标准化 |
| NOMAD | 原始计算数据（DFT输入输出） | 1000万+ | 数据最原始，可复现性高 |
我个人最常用的是Materials Project。为什么？因为它的API做得最好，用Python几行代码就能拉数据。我给你们看个例子：
from pymatgen.ext.matproj import MPRester
# 用你的API key替换下面的字符串
mpr = MPRester("你的API_KEY")
# 查询所有含Li和Fe的氧化物
criteria = {
"elements": ["Li", "Fe", "O"],
"nelements": 3
}
properties = ["material_id", "formula_pretty", "band_gap", "formation_energy_per_atom"]
data = mpr.query(criteria, properties)
print(f"共找到 {len(data)} 个材料")
for d in data[:5]:
print(d["formula_pretty"], d["band_gap"], d["formation_energy_per_atom"])
这段代码我用了好几年，基本没出过问题。但要注意，API有调用频率限制，别一次性拉太多数据，否则会被封IP。我曾经就吃过这个亏，半夜跑脚本，第二天发现账号被限制了。
1.4 数据获取与清洗：80%的时间都在干这个
很多初学者以为做机器学习就是调模型、调参数。其实真正花时间的，是数据获取和清洗。我做过统计，一个完整的材料预测项目，数据相关工作占了80%的时间。
数据获取主要有三种方式：
- 从公开数据库下载：最快，但数据质量参差不齐
- 自己计算/实验：最可靠，但成本高、周期长
- 从文献中手动提取：适合小规模、特定领域的数据
数据清洗才是真正的技术活。我给大家总结几个常见问题：
- 缺失值：有些材料的某个性能没测，怎么办？直接删掉？还是用平均值填充？我个人建议，如果缺失比例小于5%，直接删；如果大于20%，要考虑是不是这个性能本身就难测，可能需要用其他特征来预测。
- 异常值：比如某个材料的带隙是100 eV，明显不合理。这种多半是计算错误或者单位搞错了。我一般用3σ原则或者箱线图来检测。
- 重复数据：同一个材料在不同数据库里可能重复出现。需要根据化学式和空间群去重。
- 特征工程：原始数据里可能只有成分和结构，但我们需要构造一些衍生特征，比如电负性差、原子半径比、价电子数等。这些特征往往比原始特征更有预测力。
1.5 本章知识体系总览
为了让大家对本章内容有个整体认识，我画了一张图：
这张图把本章的核心内容串起来了。从材料基因组理念出发，到数据驱动范式，再到具体的数据获取和清洗方法，最后落到实践工具上。大家学完这一章，应该能回答三个问题：数据从哪来？数据怎么洗？洗完之后怎么用？
好了，第一章的内容就到这里。记住一句话：数据质量决定模型上限。后面几章我们会一步步搭建模型，但如果没有今天打下的数据基础，一切都是空中楼阁。