01
课程导论：材料研发的痛点与闭环理念
AI预测如何加速实验，课程目标与整体框架。
导论闭环思维
02
材料科学基础回顾
晶体结构、缺陷、相图基础，性能（力学、热学、电学）的物理本质。
晶体相图物理本质
03
数据驱动方法论
数据、特征、模型、验证四要素，监督/无监督学习应用场景。
方法论监督学习
04
材料数据采集与清洗
公开数据库 (Materials Project, OQMD)，实验数据数字化，缺失值与异常值。
数据库数据清洗
05
特征工程（上）
元素属性特征（电负性、原子半径、价电子数），组合特征与描述符构建。
元素特征描述符
06
特征工程（下）
结构特征（空间群、配位数、键长），基于领域知识的特征筛选。
结构特征领域知识
07
机器学习模型基础
线性回归、决策树、随机森林、支持向量机在材料性能预测中的对比。
回归随机森林SVM
08
深度学习模型入门
全连接网络 (DNN) 原理，为什么深度网络能拟合复杂材料映射关系。
DNN深度学习
09
图神经网络 (GNN) 与材料
用图表示晶体结构，消息传递机制，CGCNN模型详解。
GNNCGCNN晶体图
10
模型训练与调优
训练/验证/测试集划分，交叉验证，超参数网格搜索与贝叶斯优化。
调优贝叶斯优化
11
模型评估指标
回归 (MAE, RMSE, R²)，分类 (准确率、召回率、F1-score)，过拟合判断。
评估过拟合
12
不确定性量化
为什么预测值需要置信区间，蒙特卡洛Dropout与集成方法，实战踩坑。
不确定性置信区间
13
主动学习策略
用最少实验获得最大信息量，查询策略 (不确定性/多样性采样)，人机协作。
主动学习采样策略
14
实验设计基础
传统试错法与统计实验设计 (DoE) 对比，全因子、部分因子与响应面法。
DoE响应面
15
贝叶斯优化 (BO)
高斯过程回归原理，采集函数 (EI, PI, UCB)，BO在材料配方优化中的应用。
贝叶斯优化采集函数
16
多目标优化
帕累托前沿，NSGA-II算法，如何平衡强度与韧性这类矛盾性能。
帕累托NSGA-II
17
迁移学习
源任务与目标任务，预训练-微调策略，小样本场景下如何借用已有数据。
迁移学习小样本
18
材料文本挖掘
利用NLP从论文中提取合成参数与性能数据，命名实体识别 (NER) 实战。
NLPNER文本挖掘
19
实验自动化与高通量平台
自动合成工作站，并行实验设计，数据实时回流。
自动化高通量
20
闭环系统架构
预测→推荐→实验→反馈→更新模型，完整闭环流程设计与接口规范。
闭环架构接口
21
案例：合金硬度预测
从特征构建到模型部署，实验验证与模型迭代全过程。
合金硬度案例
22
案例：聚合物Tg预测
小样本下的迁移学习与主动学习结合。
聚合物Tg迁移+主动
23
案例：钙钛矿太阳能电池筛选
高通量虚拟筛选与实验验证闭环。
钙钛矿虚拟筛选
24
案例：催化剂活性预测
图神经网络与描述符方法的对比实验。
催化剂GNN对比
25
模型可解释性
SHAP值、特征重要性、部分依赖图，让模型不再是个黑箱。
可解释性SHAP
26
数据管理与版本控制
MLflow、DVC在材料项目中的应用，实验记录的可追溯性。
MLflowDVC版本控制
27
部署与工程化
REST API搭建，模型封装，与实验室信息管理系统 (LIMS) 集成。
部署APILIMS
28
伦理与可重复性
数据偏见、实验可重复性危机，如何发布可复现的材料AI研究。
伦理可重复性
29
前沿趋势
大语言模型 (LLM) 辅助材料设计，多模态融合，AI for Science的未来。
LLM多模态前沿
30
课程总结与项目实战
综合项目：从零搭建一个材料性能预测与实验验证闭环系统。
实战综合项目