降维打击！新能源电池“横空出世”！动力电池完美呈现性能狂飙！

锂金属在固态电解质界面处的复杂形态演化限制了固态电池的性能，导致反应不均与接触失效。受生物形态发生的启发，国际顶级团队提出了一种界面自调控策略：通过可变形第二相根据局部电化学-力学刺激在界面处动态聚集，从而增强界面接触。当含有5至20摩尔百分比电化学惰性钠域的锂电极进行剥离时，钠会自发在界面处聚集并发生形变，在不阻碍锂传输的前提下实现紧密电接触。通过操作态X射线断层扫描和电子显微镜表征证实，该过程能有效减少孔隙形成并提升低堆叠压力下的循环性能。这种通过添加电化学惰性碱金属来提升性能的反直觉策略，证明了界面自调控机制在固态电池中的实用价值。

锂离子电池作为现代能源存储的核心技术，其性能优化与安全性提升面临多尺度、多物理场耦合的复杂挑战。传统实验方法受限于高成本与长周期，而基于物理模型的仿真手段难以全面捕捉电池内部的非线性动力学行为。机器学习凭借其强大的数据挖掘与模式识别能力，为锂离子电池研究提供了革命性的技术路径：在材料层面，通过高通量计算与机器学习结合，可快速筛选电极材料并预测其电化学性能，显著加速新型材料的发现；在电池层面，基于数据驱动的状态估计方法（如SOC、SOH预测）突破了传统模型的精度限制；在系统层面，机器学习算法能够实现对电池组的高效管理与故障预警，为电池全生命周期优化提供科学依据。随着实验数据积累与算法创新，机器学习正推动锂离子电池研究从经验驱动向智能设计范式转变，为下一代高性能、高安全性电池的开发开辟新方向。

能源存储技术作为可再生能源发展的关键支撑，正迎来前所未有的发展机遇。固态电池因其高能量密度、安全性和长循环寿命等优势，被视为下一代储能技术的核心方向。人工智能技术的融入，为固态电池的研发、制造和系统优化提供了全新的技术路径。

采用机器学习（ML）技术（包括无监督、有监督、强化学习等），结合密度泛函理论（DFT）、分子动力学模拟（MDS）及实验数据，构建数据库并优化模型，提高了ML在高能量密度电池材料（正负极、电解质）设计、固态电解质开发、快充技术优化、电池寿命预测及回收利用等过程中的应用，分析了不同ML算法在材料筛选、性能预测等方面的作用。解决了电池研究中数据库不完整、模型精度低、实验验证难等问题，通过针对性数据集构建、策略性模型选择等，为突破高能量密度、固态电解质开发等五大挑战提供了方向，推动ML与电池科学的融合。

项目专题

机器学习锂离子电池专题

机器学习固态电池专题

机器学习催化剂设计专题

学习目标

机器学习锂离子电池专题

1. 使学员了解锂离子电池的基本原理和特性，以及机器学习在电池技术中的应用背景。通过学习Python编程语言，使学员能够熟练使用基础语法、函数、模块、包和面向对象编程，让学员熟悉并掌握机器学习库。

2. 使学员理解神经网络的基础知识，包括激活函数、损失函数、梯度下降与反向传播，并能够使用Pytorch构建全连接神经网络，掌握深度学习中的正则化技术、优化算法和超参数调优方法，了解并能够应用循环神经网络、卷积神经网络、图神经网络、注意力机制、Transformer架构、生成对抗网络和变分自编码器。

3. 培养学员在锂离子电池正极材料特性工程方面的实战能力。通过实战项目，使学员能够使用机器学习技术预测锂离子电池性能、稳定性，并进行电池性能分类。理解如何将机器学习与分子动力学模拟、第一性原理计算以及实验数据结合，以加速新材料的发现和电池性能的优化。

4. 电池管理系统（BMS）的智能化学习：使学员了解BMS的功能与组成，并能够应用机器学习技术进行电池充放电策略的优化。培养学员使用机器学习技术进行锂离子电池的实时充电状态（SOC）和健康状态（SOH）估计。

5. 拓宽学员的国际视野，让他们接触和学习国际上的先进研究成果。培养具备跨学科整合能力的学员，使他们能够在锂离子电池、深度学习、数据科学等领域之间架起桥梁，开展创新性研究。

机器学习固态电池专题

1. 掌握固态电池（SSB）的发展使命，基本构成、固态电解质分类，工作原理、关键挑战与性能评估。

2. 了解利用第一性原理（DFT）和分子动力学（MD）及其相关工具（如VASP, CP2K, LAMMPS, Gromacs）计算固态电池关键材料（电极、电解质）及界面性质的基本方法。

3. 掌握机器学习的基本概念、常用算法及其在材料科学，特别是固态电池领域的应用流程。

4. 学习如何为固态电池体系（包括电极、电解质、界面）构建有效的特征描述符以及如何利用VASP等DFT工具对该类描述符进行计算。

5. 熟练运用Python及其相关库（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE）处理固态电池相关数据并构建机器学习模型。

6. 掌握利用机器学习、深度学习等模型预测固态电池关键性能（如界面稳定性、离子电导率、循环寿命等）的方法。

7. 学习使用机器学习加速新型固态电池材料体系（特别是稳定的界面组合）的发现和设计，如利用Matminer工具结合Material Project数据库进行高通量筛选。

8. 掌握使用机器学习与传统计算模拟（DFT/MD）结合，进行多尺度研究的策略，利用先进的神经网络模型如Deepmd-kit, MACE等加速材料的研发。

机器学习催化剂专题

1.课程将系统引导学员深入理解电催化、热催化、光催化的核心原理，同时全面剖析机器学习、深度学习及图深度学习在催化领域的应用背景与适用范畴。通过 Python 语言基础与机器学习算法的专项学习，学员不仅能够清晰梳理机器学习从萌芽到蓬勃发展的历史脉络，洞悉其在信息时代于不同领域的多样化表现形式，更将通过实践操作，切实掌握将机器学习技术应用于科学研究的关键技能，为催化领域的前沿探索奠定坚实基础。

2.课程助力学员精准把握传统机器学习算法与深度学习算法的本质差异，熟练掌握 sklearn、torch 等主流第三方库的核心功能与应用技巧。通过系统学习与实践，学员将能够灵活运用树模型、深度神经网络、卷积神经网络、循环神经网络等算法模型，深度融入科学研究场景。同时，借助机器学习的可解释性分析方法，深入挖掘数据背后的科学规律，精准阐释催化反应机制，实现数据驱动与理论解析的深度融合，为科学研究提供创新分析视角与可靠技术支撑。

3.通过培养学员将机器学习应用在催化领域的研究思维，加速研究范式转变。将机器学习与第一性原理或者实验结合，以实现快速发现催化材料。这种结合能够充分发挥不同方法的优势，机器学习强大的数据处理和模式识别能力，可挖掘催化过程中的隐藏规律，第一性原理则能从量子力学层面揭示催化反应的本质，实验数据为模型提供真实可靠的验证基础。同时，引导学员运用迁移学习等技术，将在某一催化体系中训练得到的模型，快速应用到相似体系，实现知识的高效复用。此外，借助机器学习的可解释性研究，还能帮助学员深入理解催化反应机制，为进一步优化催化材料性能、设计新型催化体系提供理论支撑，推动催化领域朝着智能化、精准化方向迈进。

4.图拓扑结构和图神经网络在催化领域有着广泛的应用。由于催化过程中存在大量繁杂的中间体，这为图拓扑结构的构建提供了丰富的数据来源，从而更有利于发现新的催化路径。将晶体结构从欧式空间转化为非欧空间的图结构，相较于传统描述符，能够更有效地捕捉晶体结构与目标属性之间的映射关系。通过培养学员跨学科、跨领域、跨范式的科学思维，有望为新材料发现开辟新的研究范式。

讲师介绍

机器学习锂离子电池讲师介绍

来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事锂离子电池研究，特别是在利用计算模拟方法和机器学习技术解决锂离子电池领域的关键问题。在多个国际高水平期刊上发表 SCI检索论文30余篇。他的授课方式深入浅出，能够将复杂的理论知识和计算方法讲解得清晰易懂！

机器学习固态电池讲师介绍

来自全国重点大学、国家“985工程”、“211工程"重点高校，长期从事固态电解质材料的第一性原理、分子动力学模拟研究，特别是在利用计算模拟方法和机器学习相结合来加速材料筛选，性能预测等方面有深入研究。他的授课方式浅显易懂，特别擅长从简单角度出发，逐渐深入讲解复杂的理论知识和计算方法!目前共发表论文（Nature Catalysis， Nature Communications， Energy & Environmental Science， Advanced Energy Materials等）共四十余篇。曾任Joule， Journal of Materials Chemstry A等期刊审稿人。

机器学习催化剂讲师介绍

来自全国重点大学、国家“985工程”、“211工程”重点高校，长期从事机器学习辅助的催化剂设计与预测研究，在机器学习深度学习辅助的催化剂设计研究领域深耕多年，具有丰富的经验和扎实的基础。在多个国际高水平期刊上发表 SCI检索论文30余篇。他的授课方式深入浅出，能够将复杂的理论知识和计算方法讲解得清晰易懂！

课程大纲

机器学习锂离子电池专题

第一天上午：锂离子电池与机器学习基础

锂离子电池与机器学习背景：了解锂离子电池的基本原理、发展历程、应用领域以及当前面临的挑战；介绍机器学习的定义、发展历程、主要应用领域以及与锂离子电池研究的结合点，探讨机器学习如何助力锂离子电池性能提升和新材料研发。

Python基础语法、函数、模块和包、面向对象编程

机器学习库介绍：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn

第一天下午：监督学习与非监督学习入门

监督学习与非监督学习

K-近邻、支持向量机、决策树、线性回归、逻辑回归

实战一：使用机器学习预测锂离子电池性能：特征工程描述包括电池的充放电循环数据、温度、电流、电压、电池的制造参数、材料特性等，选择不同的机器学习模型，例如决策树、随机森林、支持向量机，最后进行性能评估。

第二天上午：聚类分析与集成学习

K-均值聚类、层次聚类、PCA、t-SNE

集成学习：随机森林、Boosting

交叉验证、性能指标、模型评估与选择、网格搜索

实战二： 特征选择与聚类算法选择：根据锂离子电池的性能特征（如容量、能量密度、内阻、循环稳定性等），选择合适的聚类算法（如K-均值聚类、层次聚类等），通过特征工程对数据进行预处理，将数据转换为适合聚类分析的格式。

聚类结果分析与降维验证：对聚类结果进行分析，观察不同聚类类别中电池的性能特点和分布规律，通过降维技术（如PCA、t-SNE）对聚类结果进行可视化验证，判断聚类结果的有效性和合理性，为锂离子电池的性能分类和优化提供依据。

第二天下午：神经网络基础与深度学习技术

神经网络基础、激活函数、损失函数、梯度下降与反向传播

Pytorch构建全连接神经网络

深度学习中的正则化技术：L1、L2、Dropout

优化算法：SGD、Adam、RMSprop

超参数调优：网格搜索、随机搜索、贝叶斯优化

实战三：基于深度学习的高熵材料的虚拟高通量筛选： 收集和整理用于训练的数据集，包括高熵材料的化学组成、晶体结构、物理化学性质等，使用准备好的数据集对深度学习模型进行训练，并采用交叉验证等方法来评估模型的泛化能力。

第三天上午：高级深度学习架构与应用

循环神经网络

卷积神经网络

图神经网络

注意力机制

Transformer架构

生成对抗网络

变分自编码器

实战四：基于图神经网络的锂离子电池性能预测：构建图神经网络模型，选择合适的架构，如GCN、GAT等，来学习材料图特征节点和边的表示，用于预测锂离子电池性能。

第三天下午：锂离子电池材料的机器学习应用

锂离子正极材料的特征工程

实战五：基于机器学习的锂金属正极材料的稳定性预测：选择合适的机器学习模型，如支持向量机、随机森林、集成学习、神经网络，使用适当的评估指标，如准确率、召回率、F1分数等，来衡量模型预测锂金属正极材料稳定性的性能。

实战六：实验引导的高通量机器学习分析：讲解将机器学习模型集成到实验流程中，优化实验过程，实现从实验设计到数据分析的自动化和智能化。

第四天上午：机器学习与多尺度模拟的结合

基于锂离子电池的机器学习与多尺度模拟

机器学习、分子动力学模拟与第一性原理计算

机器学习与实验结合

实战七：介绍Materials Project数据库的基本情况和功能，说明如何从该数据库中提取与锂离子电池相关的电数据，包括材料的晶体结构、电子结构、电化学性能等信息。

从Materials Project数据库中提取电池电数据，利用深度学习技术来预测多价金属离子电池的电极电压，并开发了一个可解释的深度学习模型，以加速多价金属离子电池材料的设计和优化。

实战八：收集液态电解质添加剂电池系统中的性能数据，包括最终面积比阻抗、阻抗增量和比容量，基于分子结构信息，生成特征向量，通过数据收集、特征工程、模型训练与验证等机器学习流程，成功预测出最佳液态电解质添加剂组合。

第四天下午：机器学习在电池管理系统中的应用

机器学习在电池管理系统中的应用介绍

电池管理系统（BMS）的功能与组成

电池充放电管理

电池安全与保护

电池健康状态的指标

电池老化分析

实战九：探讨如何将物理模型（如电池的电化学模型、热模型等）与机器学习模型相结合，利用物理模型的先验知识和机器学习模型的数据驱动能力，提高对电池状态的预测精度和可靠性，例如通过物理模型提供电池状态的初始估计，再利用机器学习模型对实际数据进行拟合和修正，实现对电池长期性能和寿命的准确预测。

第五天上午：机器学习在电池寿命预测中的应用

实战十：收集锂离子电池在不同充放电条件下的运行数据，包括电压、电流、温度、充放电时间等，这些数据是SOC和SOH估计的基础，通过数据预处理、特征提取等步骤，将数据转换为适合机器学习模型输入的格式，提高模型的估计精度。

选择合适的机器学习模型（如线性回归、支持向量机、神经网络等），根据处理后的数据对模型进行训练，通过交叉验证等方法对模型的准确性和泛化能力进行评估，选择最优的模型用于锂离子电池的SOC和SOH实时估计，通过实例代码展示模型训练和评估的过程，分析模型的性能指标和估计结果。

将训练好的机器学习模型集成到BMS中，实现对锂离子电池SOC和SOH的实时估计，通过实时监测电池的状态参数，利用模型进行快速准确的估计，为电池的充放电管理、安全保护和健康状态评估提供实时数据支持，提高BMS的智能化水平和电池的使用效率。

第五天下午

实战十一： 基于大语言模型（LLM）的文献v数据自动化提取与应用。重点讲解如何利用大语言模型（LLM）与检索增强生成（RAG）技术，构建自动化信息提取框架，解决科学数据提取耗时耗力的瓶颈。从电池文献中自动提取关键参数（如材料成分、晶体结构、工作电压等），构建小型材料数据库。

实例十二： 基于大语言模型搭建电池健康状态（SOH）智能预测系统。利用大语言模型自动化机器学习算法的实施与优化，以实现对锂电池健康状态（SOH）的智能预测，通过结构化的提示工程（Prompt Engineering）引导LLM完成自动化机器学习预测过程。基于公开电池数据集对比LLM驱动的模型与传统方法的性能差异。

机器学习固态电池专题

第一天：固态电池基础与计算模拟概览

上午：固态电池基本原理与关键挑战

1.1 固态电池概览

固态电池的发展使命与优势。

基本构成：正极、负极、固态电解质、界面。

固态电解质分类与特性（聚合物、氧化物、硫化物等）。

工作原理与性能评估指标。

案例分析：现有商业化/准商业化固态电池案例分析（性能、挑战）。

1.2 固态电池关键挑战

界面稳定性问题（空间电荷层、枝晶生长、副反应）。

离子电导率与传输机制。

机械稳定性与循环寿命。

小组讨论：学员提出在实际工作中遇到的固态电池难题。

下午：固态电池材料计算模拟方法入门

1.3 第一性原理 (DFT) 在固态电池中的应用

DFT基本概念与在材料科学中的作用。

CP2K简介：如何设置计算任务（结构优化、能量、电子结构）。

实操：利用CP2K计算固态电解质的晶格常数、形成能（提供示例输入文件与结果解析）。

实操：利用VESTA可视化晶体结构和电子密度。

1.4 分子动力学 (MD) 在固态电池中的应用

MD基本概念与在材料科学中的作用。

LAMMPS/Gromacs简介：如何设置MD模拟（原子间势函数、温度、压力）。

实操：利用LAMMPS模拟固态电解质的离子扩散行为（提供示例输入文件与轨迹文件解析）。

实操：利用VMD可视化MD模拟轨迹。

第二天：机器学习基础与固态电池数据处理

上午：机器学习核心概念与在材料科学中的应用

2.1 机器学习基础

机器学习的分类：监督学习、无监督学习、强化学习。

常用算法简介：线性回归、逻辑回归、支持向量机、决策树、随机森林、K-Means。

案例分析：介绍几个机器学习在其他材料领域的成功应用。

模型评估指标：R2、MAE、MSE、准确率、召回率、F1-score。

2.2 机器学习在固态电池领域的应用流程

数据获取、特征工程、模型选择与训练、模型评估与部署。

案例分析：一个简化的机器学习预测固态电解质离子电导率的流程介绍。

下午：固态电池数据处理与特征工程

2.3 Python科学计算库实战

实操：Numpy用于数组操作和数值计算。

实操：Pandas用于数据读取、清洗、处理与分析（以模拟或实验数据为例）。

实操：Matplotlib/Seaborn用于数据可视化（散点图、直方图、热力图等）。

2.4 固态电池体系的特征描述符构建

理论：为什么需要特征描述符？常见的材料特征描述符（晶格参数、元素属性、结构信息、局部环境）。

实操：Pymatgen/ASE库介绍：如何从CIF/POSCAR文件提取结构信息。

实操：构建简单的描述符：例如，基于元素电负性、原子半径的均值、方差等。

实操：利用Pymatgen/ASE结合Python脚本，从DFT计算结果中提取能量、结构、态密度等信息，并转换为机器学习可用格式。

第三天：机器学习模型构建与固态电池性能预测

上午：传统机器学习模型在固态电池中的应用

3.1 回归模型预测离子电导率

任务：基于固态电解质的成分和结构特征（预处理好的数据集），预测其离子电导率。

实操：数据集加载与预处理（归一化、特征选择）。

实操：使用Scikit-learn构建并训练线性回归、随机森林回归、支持向量机回归模型。

实操：模型评估（MAE, MSE, R2）与结果可视化。

讨论：不同模型的优缺点及适用场景。

3.2 分类模型预测界面稳定性

任务：基于电极/电解质界面的特征（预处理好的数据集），预测界面是否稳定。

实操：数据集加载与预处理。

实操：使用Scikit-learn构建并训练逻辑回归、决策树、随机森林分类模型。

实操：模型评估（准确率、召回率、F1-score、混淆矩阵）与结果可视化。

讨论：如何处理类别不平衡数据。

下午：深度学习模型在固态电池中的应用

3.3 神经网络基础与TensorFlow/PyTorch入门

神经网络基本结构（全连接层、激活函数、损失函数、优化器）。

TensorFlow/PyTorch简介：张量操作、自动微分。

演示：构建一个简单的全连接神经网络模型。

3.4 深度学习预测固态电池关键性能

任务：利用多层感知机 (MLP) 预测固态电池的循环寿命或特定性能指标。

实操：数据集准备（可能需要更复杂的特征）。

实操：使用TensorFlow/PyTorch构建、训练并评估MLP模型。

实操：超参数调优（学习率、批次大小、层数、神经元数量）。

讨论：深度学习在处理复杂、高维固态电池数据时的优势。

第四天：新型固态电池材料发现与设计

上午：高通量筛选与数据库应用

4.1 材料数据库与高通量计算

理论：Material Project (MP) 数据库介绍及其在材料设计中的价值。

实操：MP API的使用（通过Python查询材料结构、能量、电子性质等）。

实操：Matminer库介绍：如何从MP数据提取特征。

4.2 机器学习加速新型固态电解质筛选

任务：利用机器学习模型结合Matminer和MP数据，筛选潜在的高性能固态电解质材料。

实操：定义筛选标准（例如，高离子电导率、宽电化学窗口）。

实操：构建并训练预测模型（可以是前一天训练好的模型或新模型）。

实操：对MP数据库中的材料进行高通量预测与筛选，生成候选材料列表。

讨论：如何评估筛选结果并指导实验验证。

下午：界面工程与稳定组合发现

4.3 固态电池界面稳定性预测

理论：界面反应机制与影响因素。

实操：构建界面特征描述符：基于电极/电解质材料的晶体结构、元素组成、电子结构差异等。

实操：利用机器学习模型（分类或回归）预测界面形成能、界面相变倾向等。

案例分析： 某个具体的电极/电解质界面组合，分析其预测结果。

4.4 机器学习发现稳定的界面组合

任务：结合多种电极和电解质材料，利用机器学习模型进行组合筛选，发现稳定的界面。

实操：构造所有可能的电极-电解质组合。

实操：利用训练好的界面稳定性预测模型，对所有组合进行预测。

实操：筛选出预测为稳定的界面组合，并对其进行排序和分析。

讨论：如何将机器学习结果与DFT/实验结果结合进行验证。

第五天：机器学习与多尺度计算模拟的融合

上午：神经网络势函数与MD加速

5.1 机器学习势函数基础

理论：为什么需要机器学习势函数？传统势函数的局限性。

理论：神经网络势函数 (NNP) 的基本原理。

演示：Deepmd-kit/MACE介绍：如何训练NNP模型。

5.2 Deepmd-kit/MACE实操

任务：利用Deepmd-kit/MACE训练固态电解质的机器学习势函数。

实操：数据准备：从DFT计算轨迹生成训练数据（能量、力、应力）。

实操：训练NNP模型（提供示例配置文件）。

实操：评估NNP模型的准确性（与DFT结果对比）。

讨论：NNP在加速MD模拟中的优势。

下午：多尺度研究策略与未来展望

5.3 机器学习加速大规模MD模拟

任务：利用训练好的Deepmd-kit/MACE势函数进行大规模分子动力学模拟。

实操：设置并运行基于NNP的LAMMPS/Gromacs MD模拟。

实操：分析大规模MD模拟结果（例如，离子扩散系数、相变过程）。

讨论：如何将NNP模拟结果与宏观性能联系起来。

5.4 机器学习与多尺度计算模拟的融合策略

结合DFT、NNP-MD、蒙特卡洛等方法进行多尺度研究。

固态电池材料研发的未来趋势：自动化、高通量、AI驱动的实验。

讨论：学员项目构思与Q&A。

部分案例图片：

机器学习催化剂设计专题

第一天：

第一天上午

理论内容：

1.机器学习概述

2.材料与化学中的常见机器学习方法

3.应用前沿

实操内容：

1.Python基础：变量和数据类型，列表，字典，if语句，循环，函数

2.Python科学数据处理：NumPy，Pandas，Matplotlib

案例一：随着AI For Science时代的到来，机器学习以优异的速度迅速扩展到各个领域。本次培训详细讲解从下载到安装，再到环境配置全流程。无论是数据科学新手还是进阶学习者，都能借此掌握 Anaconda 操作要点，轻松搭建编程环境，为后续 Python 开发、数据分析等工作筑牢基础。

第一天下午

理论内容：

1.sklearn基础介绍

2.线性回归原理和正则化

实操内容：

1. 线性回归方法的实现与初步应用

2. L1和L2正则项的使用方法

3. 线性回归用于HER催化剂的筛选

4. 符号回归用于发现金属催化氧化载体中金属-载体相互作用

案例二：金属-载体相互作用是多相催化中最重要的支柱之一，但由于其复杂的界面，建立一个基本的理论一直具有挑战性。基于实验数据、可解释的机器学习、理论推导和第一性原理模拟，以建立了基于金属-金属和金属-氧相互作用的金属-氧化物相互作用的一般理论（符号回归）。

————————————————————————————————

第二天上午

理论内容：

1. 逻辑回归

1.1原理

1.2 使用方法

2. K近邻方法（KNN）

2.1 KNN分类原理

2.2 KNN分类应用

3. 神经网络方法的原理

3.1 神经网络原理

3.2神经网络分类

3.3神经网络回归

实操内容：

1.逻辑回归的实现与初步应用

2.KNN方法的实现与初步应用

3.神经网络实现

案例三：铜基合金催化剂因其良好的选择性和过电位低等特点，在二氧化碳还原反应（CO2RR）领域得到了广泛的应用。为了实现对CO2RR合金催化剂的高效探索，通过实施严格的特征选择过程，将特征空间的维数从13维降至5维，ML模型成功快速预测了CO2RR过程中关键中间体（HCOO、CO和COOH）的吸附能。

第二天下午

项目实操：

1.基于少特征模型的机器学习预测二氧化碳还原电催化剂

2.基于文本数据信息预测甲醇转化率

这两个实操项目同时穿插讲解如下内容

A1 机器学习材料与化学应用的典型步骤

A1.1 数据采集和清洗

A1.2 特征选择和模型选择

A1.3 模型训练和测试

A1.4 模型性能评估和优化

案例四：结构化材料合成路线对于化学家进行实验和现代应用（如机器学习材料设计）至关重要。近年来，化学文献呈指数级增长，人工提取已发表文献耗时耗力。本研究的重点是开发一种从化学文献中提取pd基催化剂合成路线的自动化方法。并利用合成路线的结构化数据来训练机器学习模型并预测甲烷转化率的性能。

————————————————————————————————

第三天上午

理论内容：

1．决策树

1.1决策树的原理

1.2决策树分类

2． 集成学习方法

2.1集成学习原理

2.2随机森林

2.3Bosting方法

3.朴素贝叶斯概率

3.1原理解析

3.2 模型应用

4. 支持向量机

4.1分类原理

4.2核函数

实操内容

1.决策树的实现和应用

2.随机森林的实现和应用

3.朴素贝叶斯的实现和应用

4.支持向量机的实现和应用

案例五：集成学习通过多层模型组合与融合，在提升模型性能方面极具优势。在数据挖掘中，面对海量且复杂的数据，单一模型往往难以全面捕捉数据特征。集成学习将弱学习器的性能结合，先由各基础模型从不同角度挖掘数据，再通过加权等方式融合结果，能更全面地剖析机器学习结果。

第三天下午

项目实操

1.机器学习加速设计ORR和OER双功能电催化剂

2.二元合金中双官能团氧电催化剂的有效机器学习模型设计

3.SHAP机器学习可解释性分析

这两个实操项目同时穿插讲解如下内容

A1 模型性能的评估方法

A1.1 交叉验证：评估估计器的性能

A1.2 分类性能评估

A1.3 回归性能评估

案例六：氧还原反应（ORR）和析氧反应（OER）是清洁能源转化的关键。近年来，双金属位催化剂（DMSCs）因其原子利用率高、稳定性强、催化性能好而受到广泛关注。本研究采用密度泛函理论（DFT）和机器学习（ML）相结合的先进方法，研究吸附物在数百种潜在催化剂上的吸附自由能，来筛选对ORR和OER具有高活性的催化剂。

————————————————————————————————

第四天上午

理论内容：

1. 无监督学习

2.1 什么是无监督学习

2.2 无监督算法——聚类

2.3 无监督算法——降维

2. 材料与化学数据的特征工程

2.1分子结构表示

2.2 独热编码

实操内容：

鸢尾花数据集用于聚类实现和应用

T-SNE实现和应用

PCA的实现和应用

层次聚类的实现和应用

K-means聚类的实现和应用

案例七：无监督学习是从无标签数据中挖掘模式与结构，t-SNE作为其重要降维工具，专注于保留高维数据点间局部结构。课程将深入讲解t-SNE核心原理，如通过概率分布衡量点间相似性，以优化KL散度实现降维，展示其在高维数据可视化中的强大作用。还会进行代码实操，涵盖数据加载、参数调优、降维及可视化等环节，让学员熟练掌握t-SNE在不同场景的应用，助力探索数据潜在结构与模式。

第四天下午

项目实操

理论内容：

1.深度学习理论基础

2.DNN、RNN、CNN、LSTM及Transformer基础框架介绍

实操内容

1. torch基础练习

2. 应用RNN、CNN、LSTM模型筛选光催化剂

案例八：近年来，结合高通量（HT）和机器学习（ML）的策略以加速有前途的新材料的发现已经引起了人们的极大关注。因此，可以设计一种直观的方法，通过数据库并结合深度学习模型，并将它们与HT方法耦合，以寻找高效的2D水分解光催化剂。

————————————————————————————————

第五天上午

理论内容：

1.图深度学习理论基础

2.图深度学习应用实例OC20、OC22电催化剂开发挑战（ACS Catalysis）

实操内容：

1. 图结构构建及可视化

2. PyTorch Geometric基础介绍

案例九：近年来，在晶体性能预测领域，图神经网络（graph neural network，GNN）模型取得了长足的发展。GNN模型可以有效地从晶体结构中捕捉高维晶体特征，从而在性能预测中获得最佳性能。指导学员搭建图深度学习开发环境，以顺利构建图结构，并进行机器学习训练。

第五天下午

项目实操

1.图神经网络模型基本概述及CGCNN代码深度解读应用

2.基于图论构建反应网络用于NO电还原反应研究

3.Transformer辅助水氧化制备过氧化氢(WOR)及可解释分析

案例十：氮氧化物排放严重影响我们的环境和人类健康。光催化脱硝（deNOx）因其低成本、无污染而备受关注，但实际生产中产生的是不需要的亚硝酸盐和硝酸盐，而不是无害的氮气。揭示活性位点和光催化机理对改进工艺具有重要意义。本次课程以指导学员依据反应中间体，建立图反应网络结构以揭示反应机理。

学员反馈

课程特色及授课方式

线上授课时间和地点自由，建立专业课程群进行实时答疑解惑，理论＋实操授课方式结合大量实战案例与项目演练，聚焦人工智能技术在固态电解质和锂离子电池领域的最新研究进展，课前发送全部学习资料，课程提供全程答疑解惑；

完全贴合学员需求的课程体系设计，定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，发送全部案例资料，永不解散的课程群答疑，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件；

2、课程结束可获得本次所学专题全部回放视频；

3、课程会定期更新前沿内容，参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程（任意一期）

课程时间

机器学习锂离子电池专题

2025.10.28----2025.10.31（晚上19.00-22.00）

2025.11.01----2025.11.02（上午9.00-11.30 下午13.30-17.00）

2025.11.06----2025.11.07（晚上19.00-22.00）

腾讯会议 线上授课（共五天课程 提供全程视频回放及课程群答疑）

机器学习固态电池专题

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（上午9.00-11.30 下午13.30-17.00）

腾讯会议 线上授课（共五天课程 提供全程视频回放及课程群答疑）

机器学习催化剂设计专题

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（上午9.00-11.30 下午13.30-17.00）

腾讯会议 线上授课（共五天课程 提供全程视频回放及课程群答疑）

课程费用

直播课：

《机器学习锂离子电池专题》、《机器学习固态电池专题》《机器学习催化剂设计专题》

每人每班¥4980元（包含会议费、资料费、提供课后全程回放资料）

早鸟价：提前报名缴费学员可得300元优惠（仅限前15名）

套餐价：

两门同报：同时报名两门课程￥9080元

三门同报：同时报名三门课程￥12880元

年报优惠：￥16580元（可免费学习一整年本单位举办的任意专题课程）

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销。

联系方式

联系人：王老师

咨询电话：17654576050（微信同号）

---

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。