材料性能预测模型训练与调优实战

📚 共计 30 章节

课程导论与材料数据基础

材料基因组理念、数据驱动范式、材料数据库介绍（Materials Project、OQMD）、数据获取与清洗。

特征工程（上）

元素属性特征（原子半径、电负性、价电子数）、组合特征（平均、差值、乘积）、描述符构建。

特征描述符

特征工程（下）

结构特征（空间群、晶格常数、配位数）、物理指纹（Sine Matrix、Coulomb Matrix）、特征选择与降维（PCA、t-SNE）。

传统机器学习模型（上）

线性回归、岭回归、Lasso回归在材料性能预测中的应用与对比。

传统机器学习模型（下）

支持向量回归（SVR）、随机森林、梯度提升树（XGBoost、LightGBM）在材料领域的实战。

模型评估与验证

交叉验证（K-Fold、留一法）、评价指标（MAE、RMSE、R²）、过拟合与欠拟合诊断。

超参数调优（上）

网格搜索（Grid Search）、随机搜索（Random Search）的原理与实现。

超参数调优（下）

贝叶斯优化（Bayesian Optimization）与Hyperopt库实战。

贝叶斯Hyperopt

深度学习入门

PyTorch/TensorFlow环境搭建、张量操作、自动求导机制。

全连接神经网络（DNN）

网络结构设计、激活函数（ReLU、Sigmoid、Tanh）、损失函数与优化器。

图神经网络（GNN）基础

图数据表示、消息传递机制、GCN与GAT原理。

图神经网络实战

使用PyTorch Geometric构建材料性质预测模型（如带隙、形成能）。

注意力机制与Transformer

自注意力、多头注意力、Transformer在材料序列（如XRD谱）中的应用。

注意力Transformer

预训练模型（MatBERT、MEGNet）、微调策略、小样本学习。

迁移预训练

多任务学习

同时预测多个材料属性（如硬度、弹性模量）、共享表示与任务特定层。

多任务共享

不确定性量化

贝叶斯神经网络、蒙特卡洛Dropout、集成学习的不确定性估计。

不确定性贝叶斯

查询策略（不确定性采样、多样性采样）、迭代优化实验设计。

主动学习采样

模型可解释性（上）

特征重要性（Permutation Importance、SHAP值）、部分依赖图（PDP）。

模型可解释性（下）

LIME、集成梯度（Integrated Gradients）、注意力权重可视化。

数据增强与生成

SMOTE过采样、基于VAE/GAN的虚拟材料生成。

不平衡数据处理

材料失效/成功样本不平衡问题、代价敏感学习、Focal Loss。

时间序列预测

材料退化趋势预测、循环神经网络（RNN、LSTM、GRU）应用。

时间序列LSTM

多模态数据融合

结合实验数据（SEM图像）与计算数据（DFT结果）的混合模型。

多模态融合

模型部署与工程化

ONNX模型导出、Flask/FastAPI搭建推理服务、Docker容器化。

自动化机器学习（AutoML）

AutoGluon、TPOT在材料筛选中的应用。

隐私保护下的跨机构材料数据协作训练。

强化学习在材料设计中的应用

分子/晶体结构生成、奖励函数设计。

强化学习生成

案例实战（一）

基于成分预测合金硬度——从数据到模型全流程。

案例实战（二）

基于结构预测钙钛矿带隙——图神经网络实战。

前沿进展与未来趋势

大语言模型（LLM）辅助材料发现、AI for Science展望。