机器学习加速新材料发现

📚 共计 30 章节

什么是材料基因组计划？为什么需要机器学习？课程目标与学习路径。

材料科学基础回顾

晶体结构、相图、电子结构、关键性能指标（带隙、硬度、电导率）。

数据驱动范式

传统试错法 vs. 高通量计算 vs. 机器学习，数据驱动发现的四个步骤。

材料数据库概览

Materials Project、OQMD、AFLOW、NOMAD，API使用入门。

Python与数据科学生态

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

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。

特征工程（下）

结构特征（空间群、晶格常数）、描述符（Sine Coulomb Matrix, SOAP）。

描述符结构

数据预处理

缺失值处理、异常值检测、标准化与归一化、数据集划分。

清洗归一化

线性回归、岭回归、Lasso，在预测材料带隙中的应用。

决策树、随机森林、梯度提升树（XGBoost, LightGBM），特征重要性分析。

支持向量机

SVR用于连续值预测，SVC用于材料分类（金属/非金属）。

神经网络入门

感知机、激活函数、多层感知机（MLP），使用PyTorch/TensorFlow。

深度学习MLP

图神经网络（GNN）

为什么GNN适合材料？CGCNN、MEGNet模型原理。

迁移学习与预训练

材料领域的小样本问题，MatBERT、M3GNet等预训练模型。

迁移预训练

查询策略（不确定性采样、多样性采样），在实验设计中的应用。

主动学习实验

贝叶斯优化

高斯过程回归，采集函数（EI, PI, UCB），优化合成条件。

贝叶斯优化

材料性能预测实战（一）

带隙预测——从特征工程到模型部署。

材料性能预测实战（二）

形成能预测，使用图神经网络。

晶体结构预测

随机搜索、粒子群优化、CALYPSO与机器学习结合。

结构预测搜索

变分自编码器（VAE）、生成对抗网络（GAN）生成新材料。

扩散模型在材料设计中的应用

最新进展，生成稳定晶体结构。

扩散模型前沿

自然语言处理（NLP）辅助

从文献中自动提取合成条件与性能数据。

NLP文本挖掘

实验自动化

机器学习与机器人实验平台（self-driving lab）的结合。

自动化机器人

多目标优化

Pareto前沿，同时优化多个性能指标（强度与韧性）。

多目标Pareto

不确定性量化

预测置信区间，蒙特卡洛dropout，集成方法。

不确定性置信

SHAP、LIME、注意力机制，让模型不再黑箱。

案例研究（一）

锂电池电解质材料的机器学习筛选。

案例研究（二）

高温合金成分优化与蠕变性能预测。

案例研究（三）

催化剂设计——ORR/OER活性预测。

总结与展望

AI for Science的未来，课程项目建议与资源汇总。