Nature首发！锂电池登顶一区TOP！电池领域一战封神！
全固态锂电池因锂枝晶易刺穿石榴石固态电解质引发短路迟迟难以产业化，业内长期存在应力致裂、晶界漏电子析出锂核致短路两种对立机理猜想。近日，发表在Nature期刊的论文研究明确证实，锂枝晶穿透石榴石固态电解质是纯力学驱动的断裂过程：锂在受限裂纹内沉积形成极高静水应力，进而在固态电解质中诱发拉应力，引发沿晶与穿晶断裂，实现 “软锂穿透硬陶瓷”；研究在枝晶前端未检测到孤立锂核，直接否定了电子泄漏沿晶界诱导锂成核的短路机制；基于该力学机理，在电解质中引入几何构型横向孔洞可有效 redirect 锂枝晶生长路径、抑制短路，最终提出强化晶界断裂抗力、提升电解质断裂韧性、缺陷工程定向调控枝晶三大抗枝晶固态电解质设计策略，为全固态锂金属电池的实用化提供关键机理支撑与工程方案。
当前机器学习在锂离子电池领域的应用已从单一的数据驱动预测，演进为融合物理机理与人工智能的深度协同范式。其核心任务聚焦于通过先进神经网络（如物理信息网络、Transformer及大语言模型）实现对电池健康状态和剩余使用寿命的高精度、可解释性预测 。前沿研究一方面致力于将电化学知识嵌入模型，如通过物理信息神经网络解耦退化机制，在少量样本下仍保持高泛化能力 ；另一方面则探索"发现学习"等新范式，仅凭初期测试数据即可快速预估寿命，大幅压缩验证周期与成本 。此外，结合边缘计算与数字孪生的智能管理系统，正推动电池从被动储能单元向具备自主决策能力的智慧主体演进，为实现全生命周期安全运维和材料高效迭代提供了关键支撑 。
参会对象
高校师生：电化学、材料科学与工程、新能源科学与工程、物理化学等相关专业的教师、博硕研究生及高年级本科生。
科研人员：从事锂离子电池、固态电池、钠离子电池、电池材料、电化学储能等领域研究人员。
企业工程师：新能源汽车、储能系统、消费电子、电池制造、电池材料等行业从事电池研发、电芯设计、PACK集成、电池管理系统（BMS）开发的工程师。
如果你是正在寻求学术突破的硕士/博士研究生，正面临SCI选题迷茫、传统实验试错法效率低下、电池材料构效关系难以解析的困境——那么，本课程正是为你量身定制的通关密钥！机器学习加速电池材料研发已成为Nature Energy、Joule、Energy & Environmental Science等顶刊高频收录的热点方向（近五年关于固态电解质筛选、电池寿命预测、电极配方优化的论文呈爆发式增长）。掌握机器学习与电化学融合的研究范式，不仅能帮你快速从海量实验数据中挖掘高价值规律、构建高精度预测模型，更能大幅提升论文创新性与录用率，为毕业、申博、进入顶尖储能期刊与头部电池企业（如宁德时代、比亚迪、远景能源）增添硬核竞争力。
2026热门专题
专题一：机器学习锂离子电池
专题二：机器学习固态电解质
专题三：机器学习催化剂设计
专题一、机器学习锂离子电池
学习目标
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。
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。
课程大纲内容
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：数据驱动能源材料设计：锂硫电池催化剂案例研究： 从文献中构建结构化数据库，分析锂硫电池的工作机制、硫还原反应（SRR）动力学及催化剂设计原理，构建从元素性质到结构描述符的特征工程，应用机器学习（随机森林、集成学习、SISSO）预测材料吸附性能。
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。
专题二、机器学习固态电解质
学习目标
1. 理解锂离子电池固态电解质（SSE）的材料体系、关键性能指标、界面问题与当前研发瓶颈。
2. 掌握从DFT、AIMD、经典MD和机器学习分子动力学中提取材料数据的方法，包括能量、力、应力、MSD、扩散系数、离子电导率、局域结构和界面反应信息。
3. 掌握Python材料数据处理流程，能够使用Numpy、Pandas、Matplotlib/Seaborn、Pymatgen、ASE和Matminer构建固态电解质数据集。
4. 掌握面向固态电解质的特征工程方法，包括组成特征、结构特征、RDF、配位环境、连续对称度量（CSM）、局域畸变和界面描述符。
5. 能够使用Scikit-learn构建并评估离子电导率、扩散能力、界面稳定性等监督学习模型，并进行特征重要性和模型不确定性分析。
6. 理解图神经网络与通用/领域专用机器学习势函数的基本思想，并能围绕CHGNet、MACE、DeePMD、DPA-SSE和MTP案例完成模型验证和结果解析。
7. 学习最新论文中的应用路线：硫化物DPA-SSE预训练势、高熵LZSP双阶段筛选、Li2ZrCl6深度学习加速MD、Li|Li3PS4界面SEI形成、LiF/Li2CO3无定形SEI组分输运、Na4P2S7玻璃电解质MACE微调等。
8. 通过连续练习完成一个小型端到端项目：数据整理→ 特征提取 → 模型训练 → 候选材料筛选 → 机理解释 → 汇报材料。
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。
课程大纲内容
第一天：固态电解质问题定义、数据来源与输运计算实践
上午：固态电解质与AI应用快速导入
1.1 固态电解质核心概念精讲
固态电解质分类：硫化物、氧化物、卤化物、聚合物、复合电解质和玻璃态电解质。
关键性能：离子电导率、电子电导率、电化学窗口、热稳定性、空气/湿度稳定性、机械性能、界面相容性。
理论压缩：只保留离子迁移机制、能垒、缺陷、局域畸变和渗流网络等与机器学习建模直接相关的概念。
1.2 近期论文路线图
案例一：DPA-SSE预训练深度势用于硫化物固态电解质，关注可迁移性、出平衡构型和模型蒸馏。
案例二：高熵LZSP双阶段机器学习框架，结合微调CHGNet和SF-MSD结构-输运映射筛选4575个五元组合。
案例三：Li2ZrCl6卤化物电解质深度学习加速MD，比较有序/无序α相和β相中的各向异性输运。
案例四：Li|β-Li3PS4界面SEI形成的MTP大尺度MD，解析快速扩散、成核、Li2S生长和稳定化四阶段。
案例五：无定形LiF/Li2CO3和Na4P2S7玻璃电解质中的局域环境、玻璃结构和迁移机制。
1.3 课程软件环境与数据包检查
实操：检查Anaconda/Jupyter、Numpy、Pandas、Scikit-learn、Pymatgen、ASE、Matminer、Matplotlib、Seaborn。
实操：检查可选工具：VASP输出解析环境、LAMMPS、OVITO/VMD、DeepMD-kit、MACE、CHGNet或预计算结果包。
实操：建立课程目录结构：raw_data、processed_data、notebooks、models、figures、reports。
练习：读取一个CIF/POSCAR文件，输出化学式、晶格常数、空间群和密度。
下午：DFT/MD数据读取与离子输运计算
1.4 从计算输出提取材料属性
快速回顾：形成能、分解能、电化学窗口、迁移能垒、AIMD轨迹的用途。
实操：用Pymatgen/ASE读取vasprun.xml、OUTCAR、XDATCAR或示例轨迹。
实操：提取能量、力、应力、晶胞体积、温度、原子坐标和元素标签。
练习：比较两个固态电解质样例的形成能和结构参数，整理为CSV。
1.5 MSD、扩散系数和离子电导率计算
实操：从MD轨迹计算Li离子MSD曲线。
实操：线性区间选择、扩散系数拟合和Nernst-Einstein方程计算离子电导率。
实操：Arrhenius拟合与迁移活化能估计。
练习：对不同温度轨迹拟合电导率，讨论低温外推可能带来的误差。
1.6 论文复现实验：SEI组分输运判断
案例：无定形LiF、Li2CO3及混合体系中的Li扩散，关注局域Li-F四面体形成对低温扩散的影响。
实操：计算RDF、配位数和局域结构随温度变化。
练习：判断“无定形化一定提升Li扩散”这一假设是否成立，并用图表给出证据。
第二天：Python材料数据处理与固态电解质特征工程
上午：材料数据清洗、可视化与基线数据集
2.1 Pandas材料数据处理实战
实操：读取固态电解质性能表，包括化学式、结构类型、温度、电导率、带隙、形成能和文献来源。
实操：统一单位，如S/cm、mS/cm、eV/atom、K和室温外推值。
实操：处理缺失值、重复材料、同一材料多温度数据和异常电导率。
练习：按材料类别统计电导率分布，并找出数据质量风险。
2.2 可视化与探索性分析
实操：绘制电导率-温度、结构类型-电导率、形成能-电导率、元素出现频次图。
实操：绘制相关性热图、箱线图和候选材料排名图。
练习：从图中提出三个可检验的材料设计假设。
2.3 基线任务定义
任务一：预测log10(室温离子电导率)。
任务二：分类判断候选材料是否达到10^-4 S/cm阈值。
任务三：预测界面组合是否具有较低反应风险。
练习：为三个任务分别定义输入特征、标签、评价指标和数据泄漏风险。
下午：组成、结构与局域环境描述符
2.4 组成特征构建
实操：使用Pymatgen/Matminer提取元素比例、平均电负性、离子半径、质量、价电子数、熔点等统计量。
实操：构建Li含量、阴离子类型、掺杂元素数、高熵组分数等固态电解质专用特征。
练习：比较硫化物、卤化物和氧化物的组成特征差异。
2.5 结构特征构建
实操：提取晶格参数、空间群、密度、体积/原子、Li位点数、空位比例。
实操：计算RDF、局域配位数、键长分布和结构无序度。
练习：为Li2ZrCl6有序α相、无序α相和β相设计能够区分输运差异的结构特征。
2.6 高熵和局域畸变特征
案例：高熵LZSP中CHGNet结构弛豫和SF-MSD模型使用RDF、CSM等特征预测MSD。
实操：计算元素混合熵、Li空位浓度、框架元素统计量和CSM类特征。
练习：解释哪些特征可能对应“稳定框架”和“适度局域畸变”。
2.7 界面描述符
实操：构建电极-电解质界面组合表，包括化学势差、反应能、体积变化、电子绝缘性和产物相信息。
练习：为Li|β-Li3PS4界面定义可用于预测SEI形成风险的5个特征。
第三天：机器学习模型训练、解释与筛选实践
上午：传统机器学习预测离子电导率
3.1 回归模型训练流程
实操：划分训练集、验证集和测试集，避免同一材料多温度数据泄漏。
实操：训练线性回归、岭回归、随机森林、梯度提升树和SVR模型。
实操：评价MAE、RMSE、R2、Spearman相关系数和Top-k命中率。
练习：比较不同模型对高电导率材料排序能力的差异。
3.2 分类模型与阈值筛选
实操：将材料标记为高/中/低电导率类别。
实操：训练逻辑回归、随机森林和梯度提升分类器。
实操：绘制混淆矩阵、ROC曲线、PR曲线。
练习：在类别不平衡条件下选择合适评价指标。
3.3 模型解释与误差分析
实操：使用特征重要性、Permutation importance和SHAP解释模型。
实操：定位预测失败样本，区分数据噪声、外推化学空间和特征不足。
练习：用SHAP结果解释Li空位、局域畸变和阴离子化学对电导率预测的影响。
下午：高通量筛选与小型主动学习
3.4 高熵固态电解质筛选复现实践
案例：以高熵LZSP双阶段框架为模板，先用结构弛豫/预计算结构特征，再用SF-MSD类模型预测MSD。
实操：生成一批虚拟掺杂组合，计算组成和结构特征。
实操：用训练好的模型给出MSD或电导率排序。
练习：筛选Top 20候选材料，并给出保守筛选、激进筛选两套标准。
3.5 模型不确定性与主动学习
实操：用模型集成或交叉验证方差估计预测不确定性。
实操：选择“高性能高不确定性”和“代表性不足”的下一批计算样本。
练习：设计一轮主动学习：新增10个DFT/MD标注点后如何更新模型。
3.6 论文读图与方法拆解
练习：分组拆解一篇近期论文的方法图，明确输入数据、模型、标签、验证方式和材料结论。
练习：判断论文结论中哪些属于模型预测、哪些属于物理机理解释、哪些需要实验验证。
第四天：图神经网络、通用模型与机器学习势函数实践
上午：GNN与预训练材料模型应用
4.1 图神经网络快速入门
快速回顾：晶体图、节点、边、消息传递、周期边界和结构到性质映射。
模型示例：CGCNN、SchNet、MEGNet、ALIGNN、M3GNet、CHGNet、MACE。
理论压缩：只讨论模型输入、适用任务、误差来源和材料数据需求。
4.2 预训练模型做结构弛豫和性质预测
实操：调用CHGNet/M3GNet/MACE或预计算结果，对固态电解质结构进行快速弛豫。
实操：比较DFT弛豫与ML模型弛豫的能量、体积、键长和RSSD误差。
练习：判断何时可以用预训练模型直接筛选，何时必须微调或重新标注。
4.3 结构到输运的代理模型
实操：用预训练模型弛豫结构后提取RDF、CSM和Li位点特征。
实操：训练一个简化SF-MSD代理模型预测MSD区间。
练习：比较SISSO/线性模型、随机森林和梯度提升树在排序任务中的表现。
下午：机器学习势函数与深度学习加速MD
4.4 MLIP训练数据与验证
案例：DPA-SSE覆盖硫化物电解质的平衡和出平衡构型；Na4P2S7玻璃中MACE微调纠正不合理P-P键和P2S6结构单元。
实操：读取训练/测试集的能量、力、应力，绘制DFT vs MLIP散点图。
练习：根据能量MAE、力MAE、RDF和MSD判断MLIP是否可用于输运模拟。
4.5 MLIP-MD轨迹分析
实操：使用预计算MLIP-MD轨迹计算MSD、RDF、van Hove函数和位点停留时间。
案例：Li2ZrCl6中无序α相更高电导率、α相层间各向异性扩散、β相层内近各向同性扩散。
练习：用van Hove函数和停留时间判断Li迁移是连续扩散还是位点跳跃。
4.6 势函数微调与模型迁移
实操：比较通用MACE/CHGNet和少量体系数据微调后的结构预测差异。
实操：设计一个微调数据集：平衡结构、升温轨迹、迁移过渡态、界面反应构型。
练习：说明为什么出平衡构型对离子迁移和界面反应模拟重要。
4.7 小组实验：选择合适的MLIP方案
任务：给定硫化物、卤化物、玻璃态和界面反应四个研究目标，选择DPA-SSE、MACE微调、CHGNet微调、DeePMD或MTP方案。
第五天：界面工程、AI生态与综合项目汇报
上午：界面/SEI建模与多目标材料设计
5.1 固态电池界面问题精讲与案例拆解
界面类型：Li金属负极|SSE、正极|SSE、晶界、玻璃-晶体界面和复合电解质界面。
关键指标：界面反应能、SEI/CEI组成、离子-电子传导、机械失效、空间电荷和电势分布。
案例：Li|β-Li3PS4界面SEI四阶段演化及Li2S晶区/无定形区共存。
5.2 界面反应与SEI形成练习
实操：从相图或预计算反应数据中推断界面分解产物。
实操：分析SEI厚度、产物分布、Li势能剖面和离子迁移阻力。
练习：对比LiF、Li2CO3、Li2S和磷化物产物对界面Li输运的可能影响。
5.3 多目标筛选与材料设计决策
实操：同时考虑电导率、稳定性、成本、空气稳定性、机械性能和界面兼容性。
实操：构建Pareto前沿和加权评分表。
练习：为硫化物、卤化物和氧化物各选择一个候选体系，并说明下一步验证计算。
下午：综合项目、课程总结与前沿展望
5.4 综合项目实践
项目目标：完成一个小型机器学习辅助固态电解质发现流程。
实操整理候选材料数据，生成组成/结构/局域环境特征。
实操：训练或调用模型预测电导率/MSD/稳定性，筛选Top候选。
实操：对Top候选做解释性分析，给出关键特征和潜在机理。
练习：写出下一轮DFT、MD、MLIP或实验验证计划。
5.5 课程总结与未来方向
回顾：从DFT/MD数据到机器学习模型、从代理筛选到MLIP-MD、从体相输运到界面工程。
前沿方向：领域专用基础模型、主动学习闭环、生成式材料设计、多模态模型、自动化实验室、物理约束AI和可复现数据库。
讨论：如何把课程流程迁移到学员自己的材料体系和研究课题。
部分案例图片
专题三、机器学习催化剂设计
学习目标
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。
2.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。
3.将机器学习与第一性原理或者实验结合，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。
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！
课程大纲内容
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
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。
往期学员反馈
课程模式与增值服务
课程模式
1、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。
2、理论＋实操授课方式，由浅入深式讲解，结合大量实战案例与项目演练，聚焦人工智能技术在锂离子电池，固态电解质领域的最新研究进展。
3、课前发送全部学习资料（上课所有使用的软件、包括丰富的PPT，大量的代码数据集资源）课程提供全程答疑解惑。
4、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，永不解散的课程群答疑服务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）！
授课时间
机器学习固态电解质专题：
2026.07.01----2026.07.04（晚上19:00-22:00）
2026.07.18----2026.07.19（上午9:00-11:30 下午 13:30-17:00）
2026.07.25（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和课程群答疑）
机器学习锂离子电池专题：
2026.07.05（上午9:00-11:30 下午 13:30-17:00）
2026.07.11----2026.07.12（上午9:00-11:30 下午 13:30-17:00）
2026.07.14----2026.07.17（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和课程群答疑）
机器学习催化剂设计专题：
2026.06.27----2026.06.28（上午9:00-11:30 下午 13:30-17:00）
2026.06.30----2026.07.03（晚上19:00-22:00）
2026.07.04（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和课程群答疑）
课程费用
机器学习锂离子电池、机器学习固态电解质、机器学习催化剂设计
每人每班¥4980元（包含培训费、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10名）
套餐价：
报二送一：￥9880元 （同时报名两门课程额外赠送一门）
年报优惠：￥16880元（可免费学习一整年本单位举办的任意专题）
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
赠送录播专题
报一赠一 报二赠二 报三赠五
报名咨询方式
请扫描下方二维码
报名流程：扫码报名→管理员对接→发送正式培训（会议）邀请函→缴费及开具发票。
联系人｜王老师
咨询电话｜17654576050（微信同号）
官方网站 | http://www.dxianai.com
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。
不想错过新鲜资讯？
微信"扫一扫"
