01
材料科学AI概述
AI在材料科学中的应用背景、发展历程、核心价值与挑战。
背景发展价值
02
材料数据基础
材料数据库介绍、数据采集与清洗、数据标注与标准化。
数据库清洗标准化
03
特征工程与描述符
材料特征提取、领域知识驱动的描述符设计、自动特征学习。
特征提取描述符自动学习
04
经典机器学习模型
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应用。
回归随机森林SVM
05
深度学习基础
神经网络原理、激活函数、损失函数、优化器，PyTorch/TensorFlow入门。
神经网络PyTorchTensorFlow
06
图神经网络与材料
分子图表示、GCN/GAT原理、消息传递机制、晶体性质预测。
GCNGAT消息传递
07
生成模型与材料设计
变分自编码器(VAE)、生成对抗网络(GAN)、扩散模型用于新材料生成。
VAEGAN扩散模型
08
迁移学习与少样本学习
预训练模型、领域自适应、小样本场景下的材料预测策略。
预训练领域自适应小样本
09
模型可解释性
SHAP、LIME、注意力可视化，理解模型预测背后的物理化学机制。
SHAPLIME可视化
10
模型部署基础
模型导出（ONNX/TorchScript）、推理优化、容器化（Docker）入门。
ONNXDocker推理优化
11
Web API部署
Flask/FastAPI构建RESTful API，实现材料性能预测服务。
FlaskFastAPIRESTful
12
边缘端部署
模型量化、剪枝、蒸馏，在树莓派/Jetson Nano上运行材料模型。
量化剪枝边缘计算
13
云原生部署
Kubernetes集群管理、自动伸缩、模型版本管理与A/B测试。
K8s自动伸缩A/B测试
14
模型监控与MLOps
数据漂移检测、模型性能监控、CI/CD流水线搭建。
MLOps漂移检测CI/CD
15
材料图像分析
扫描电镜(SEM)图像分割、X射线衍射(XRD)图谱识别、CNN应用。
SEMXRDCNN
16
材料文本挖掘
自然语言处理(NLP)用于文献信息抽取、知识图谱构建。
NLP知识图谱信息抽取
17
多模态材料模型
融合图像、文本、数值数据的多模态学习框架。
多模态融合框架
18
主动学习策略
不确定性采样、查询策略、实验设计与模型迭代闭环。
不确定性查询策略闭环
19
贝叶斯优化
高斯过程回归、采集函数、在超参数调优与实验设计中的应用。
高斯过程采集函数调优
20
材料逆设计
从目标性能反向推导材料组成与结构，优化算法与约束处理。
逆设计优化约束
21
高通量计算与AI
密度泛函理论(DFT)数据生成、计算工作流自动化、AI代理加速。
DFT工作流AI代理
22
电池材料AI
电极材料筛选、电解液配方优化、电池寿命预测模型。
电极电解液寿命预测
23
催化材料AI
催化剂活性预测、反应路径搜索、吸附能计算代理模型。
催化反应路径吸附能
24
合金与高熵合金设计
相图预测、力学性能预测、成分-工艺-性能关联建模。
高熵合金相图力学性能
25
聚合物与复合材料
玻璃化转变温度预测、力学性能建模、配方优化。
聚合物Tg配方
26
二维材料与异质结
能带结构预测、稳定性筛选、异质结界面性质建模。
二维材料异质结能带
27
材料失效分析
疲劳寿命预测、断裂韧性评估、腐蚀速率建模。
疲劳断裂腐蚀
28
联邦学习与隐私保护
分布式材料数据训练、差分隐私、安全多方计算在材料领域的应用。
联邦学习差分隐私安全计算
29
材料科学AI平台搭建
端到端平台架构设计、数据管理、模型训练、部署与监控一体化。
平台架构一体化MLOps
30
前沿趋势与未来展望
大语言模型在材料科学中的应用、AI for Science新范式、自主实验室。
大模型AI4S自主实验室