01
课程导论
AI驱动材料设计的定义、核心价值、与传统材料研发的对比、课程目标与学习路径。
导论全景
02
材料科学基础回顾
晶体结构、相图、材料性能（力学、热学、电学）的基本概念。
基础晶体
03
数据驱动思维
数据在材料科学中的角色、数据生命周期（采集、清洗、存储、分析）、数据驱动 vs 理论驱动。
思维数据
04
材料数据库与数据源
公共数据库（Materials Project, OQMD, AFLOW）、实验数据、文献数据挖掘。
数据库开源
05
Python编程基础
Python环境搭建、Jupyter Notebook使用、NumPy与Pandas基础。
编程Python
06
数据预处理与特征工程
缺失值处理、数据标准化、特征选择、特征构造（如元素属性、结构描述符）。
预处理特征
07
材料表示方法
成分描述符（One-hot编码）、结构描述符（径向分布函数）、图表示（Crystal Graph）。
表示描述符
08
机器学习基础理论
监督学习、无监督学习、过拟合与欠拟合、模型评估指标（MAE, RMSE, R²）。
ML基础评估
09
回归模型在材料中的应用
线性回归、决策树、随机森林、梯度提升机（XGBoost, LightGBM）预测材料性能。
回归集成
10
分类模型在材料中的应用
逻辑回归、支持向量机、K近邻、神经网络用于材料分类（如金属/非金属）。
分类SVM
11
聚类与降维
K-Means聚类、主成分分析（PCA）、t-SNE用于材料数据探索与可视化。
聚类降维
12
深度学习基础
人工神经网络、激活函数、反向传播、PyTorch/TensorFlow入门。
深度学习框架
13
图神经网络（GNN）与材料
图卷积网络（GCN）、消息传递神经网络（MPNN）、CGCNN模型详解。
GNN图网络
14
生成模型与材料设计
变分自编码器（VAE）、生成对抗网络（GAN）用于新分子/晶体结构生成。
生成VAE
15
贝叶斯优化与主动学习
贝叶斯优化原理、采集函数、主动学习策略在实验设计中的应用。
优化主动学习
16
高通量计算与虚拟筛选
密度泛函理论（DFT）基础、高通量工作流、自动化计算平台。
高通量DFT
17
实验验证与闭环优化
设计-制造-测试-学习（DMTA）循环、自动化实验平台、人机协作。
闭环DMTA
18
案例研究1：高性能合金设计
利用随机森林预测合金硬度、贝叶斯优化寻找最优成分。
合金案例
19
案例研究2：新型电池材料开发
图神经网络预测锂离子电导率、生成模型设计新型电解质。
电池GNN
20
案例研究3：催化剂发现
活性描述符筛选、主动学习加速催化剂筛选。
催化主动学习
21
案例研究4：聚合物性能预测
分子动力学模拟数据、机器学习预测玻璃化转变温度。
聚合物MD
22
案例研究5：二维材料发现
高通量筛选、图神经网络预测电子性质。
二维筛选
23
模型可解释性
SHAP值、特征重要性、部分依赖图在材料模型中的应用。
可解释SHAP
24
不确定性量化
蒙特卡洛Dropout、深度集成、高斯过程回归中的不确定性估计。
不确定性量化
25
多目标优化
帕累托前沿、NSGA-II算法、权衡材料的多重性能指标。
多目标帕累托
26
迁移学习与少样本学习
预训练模型、域自适应、小样本场景下的材料预测。
迁移少样本
27
自然语言处理（NLP）在材料中的应用
文献挖掘、实体识别、知识图谱构建。
NLP文本
28
工业级AI材料平台
平台架构、数据管理、模型部署、API设计。
平台工业
29
伦理、偏见与可重复性
数据偏见、模型公平性、可重复性危机、开放科学实践。
伦理公平
30
未来趋势与职业发展
AI for Science前沿、跨学科能力培养、行业岗位与技能树。
趋势职业