材料性能预测全流程实战手册

📚 共计 30 章节

材料性能预测概述

什么是材料性能预测？为什么需要它？传统实验方法 vs 计算预测方法。

数据驱动方法论

数据驱动材料科学的核心思想、CRISP-DM流程在材料科学中的应用。

方法论流程

材料数据获取

公开材料数据库（Materials Project、OQMD、AFLOW）、文献数据挖掘、实验数据采集。

数据库采集

材料数据清洗

缺失值处理、异常值检测、数据标准化与归一化、数据去重。

预处理清洗

材料特征工程（上）

元素属性特征（原子半径、电负性、价电子数）、组分特征（化学计量比、元素比例）。

材料特征工程（下）

结构特征（空间群、晶格常数、对称性）、描述符构建（Matschka, Sine Matrix, Ewald Sum Matrix）。

结构描述符

特征选择与降维

过滤法、包裹法、嵌入法、主成分分析（PCA）、t-SNE、UMAP。

数据集划分

训练集、验证集、测试集划分策略、交叉验证（K-Fold、Stratified K-Fold）、留一法。

回归模型基础

线性回归、岭回归、Lasso回归、弹性网络、决策树回归。

集成学习模型

随机森林、梯度提升树（GBDT）、XGBoost、LightGBM、CatBoost。

支持向量机与K近邻

支持向量回归（SVR）、K近邻回归（KNN）、核函数选择。

神经网络入门

感知机、多层感知机（MLP）、激活函数（ReLU、Sigmoid、Tanh）、损失函数。

神经网络MLP

深度学习进阶

卷积神经网络（CNN）在材料图像分析中的应用、图神经网络（GNN）在晶体结构预测中的应用。

模型评估指标

回归指标（MAE、MSE、RMSE、R²）、分类指标（准确率、精确率、召回率、F1-score、AUC-ROC）。

超参数调优

网格搜索、随机搜索、贝叶斯优化、早停法、学习率调度。

调优超参数

过拟合与欠拟合

偏差-方差权衡、正则化（L1、L2、Dropout）、早停、数据增强。

正则化泛化

模型解释性

特征重要性分析、SHAP值、LIME、部分依赖图（PDP）。

可解释性SHAP

材料性能预测实战（一）

带隙预测——数据准备与特征工程。

材料性能预测实战（二）

带隙预测——模型训练与调优。

材料性能预测实战（三）

带隙预测——模型评估与解释。

材料性能预测实战（四）

形成能预测——数据准备与特征工程。

实战形成能

材料性能预测实战（五）

形成能预测——模型训练与调优。

材料性能预测实战（六）

形成能预测——模型评估与解释。

材料性能预测实战（七）

多目标预测——同时预测带隙与形成能。

多目标实战

材料筛选与逆向设计

虚拟筛选、主动学习、贝叶斯优化在材料发现中的应用。

筛选逆向设计

不确定性量化

蒙特卡洛Dropout、深度集成、高斯过程回归。

不确定性量化

迁移学习与预训练模型

材料科学中的迁移学习策略、预训练模型（MatBERT、MEGNet）。

迁移学习预训练

模型部署与API开发

Flask/FastAPI搭建预测服务、Docker容器化部署。

项目实战：从零构建材料性能预测平台

需求分析、架构设计、前后端实现。

前沿趋势与未来展望

大语言模型在材料科学中的应用、自动化实验室、AI for Science的未来。