01
课程导论
工程意义 · 传统局限 · 深度学习变革 · 框架与路径
入门概览
02
材料力学基础回顾
应力应变 · 弹性塑性 · 强度韧性 · 疲劳断裂
基础力学
03
深度学习基础（一）
感知机 · 激活函数 · 损失函数 · 梯度下降
神经网络MLP
04
深度学习基础（二）
PyTorch/TensorFlow · 张量 · 自动求导 · 全连接网络
框架实战
05
数据驱动方法论
数据角色 · 监督回归 · 泛化过拟合 · 集划分
方法论核心
06
材料数据采集与清洗
公开数据库 · API爬取 · 缺失值 · 异常检测
数据预处理
07
材料特征工程（一）
成分特征 · 结构特征 · 工艺特征
特征成分
08
材料特征工程（二）
标准化 · PCA · t-SNE · 特征重要性
降维可视化
09
材料数据集的构建
Dataset类 · DataLoader · 数据增强 · 不平衡处理
数据加载PyTorch
10
全连接网络预测弹性模量
结构设计 · 超参数 · 训练监控 · 结果可视化
回归弹性模量
11
卷积神经网络（CNN）入门
卷积 · 池化 · LeNet/ResNet · 图像网格数据
CNN图像
12
CNN预测微观结构-性能
图像预处理 · 模型搭建 · 特征图 · 对比实验
微观结构性能
13
RNN与序列数据
RNN · LSTM/GRU · 蠕变曲线 · 注意力机制
时序LSTM
14
图神经网络（GNN）基础
图数据 · 消息传递 · GCN/GAT · 晶体结构
GNN图数据
15
GNN预测晶体材料性质
晶体图 · PyG · 形成能/带隙预测
晶体PyG
16
迁移学习在材料中的应用
迁移概念 · 微调 · 跨体系迁移 · 少样本
迁移学习微调
17
多任务学习与多输出预测
同时预测强度+延伸率 · 共享层 · 损失平衡
多任务多输出
18
不确定性量化
贝叶斯神经网络 · Monte Carlo Dropout · 置信度
不确定性安全
19
模型解释性与可解释AI
SHAP · 积分梯度 · 注意力权重 · 关键元素
XAI解释性
20
超参数优化
网格/随机搜索 · 贝叶斯优化 · 学习率调度 · 早停
调参Optuna
21
模型部署与工程化
ONNX · Flask · Docker · TensorRT/OpenVINO
部署工程
22
案例实战（一）：钢材屈服强度
从数据收集到模型训练全流程
实战钢材
23
案例实战（二）：铝合金疲劳寿命
小样本 · 高噪声数据处理
实战铝合金
24
案例实战（三）：复合材料界面强度
多源数据融合
实战复合材料
25
案例实战（四）：高温合金蠕变
时间序列 + GNN 结合
实战蠕变
26
对比传统方法
DL vs CALPHAD · Hall-Petch · PINN
对比物理模型
27
前沿进展（一）
GAN/VAE生成结构 · 主动学习 · 强化学习
前沿生成模型
28
前沿进展（二）
LLM辅助 · MatBERT · M3GNet · 自动实验室
前沿LLM
29
伦理与可重复性
数据隐私 · 可重复检查 · 开源最佳实践
伦理开源
30
课程总结与未来展望
核心回顾 · 资源推荐 · 研究方向 · 社区会议
总结展望