请选择 进入手机版 | 继续访问电脑版
首页/计算模拟/机器学习/机器学习材料性能预测与材料基因工程应用实战

机器学习材料性能预测与材料基因工程应用实战

精品录播 | 机器学习材料性能预测与材料基因工程应用实战
学习价格 ¥ 1299.00 |原价:¥ 1599.00 收藏
学习次数23 次
人气285
学习时长 永久有效 自购买之日起计算有效期

写在前面


传统的材料研发技术是通过实验合成表征对材料进行试错和验证,而过去的计算手段受限于算法效率,无法有效求解实际工业生产中面临的复杂问题。

近几年随着大数据和人工智能介入,通过采用支持向量机、神经网络等机器学习算法训练数据集来构建模型,以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等性能,大大推动了新型材料的发现和传统材料的更新,预测结果甚至能够达到与高保真模型基本相同的精度,且计算成本很低。


课程详情


机器学习材料性能预测与材料基因工程应用实战

机器学习导论


学习目标:对机器学习基本概念进行介绍,让大家对机器学习基本概念有大致了解。明确机器学习方法的适用性,优势,以及局限性

Ø  什么是机器学习

Ø  机器学习的应用实例

Ø  机器学习在材料领域的应用

python语言基础


学习目标:机器学习主流实现是python语言。学习机器学习之前,有针对性的对python进行系统的学习,以方便将来开展机器学习的学习

Ø  python安装与开发环境的搭建

Ø  基本数据类型、组合数据类型

Ø  函数、列表 、元组、字典、集合

Ø  控制结构、循环结构

Ø  Numpy模块——矩阵的科学计算

Ø  Matplotlib模块——数据处理与绘图

深度学习神经网络


学习目标:从零开始手动实现一个神经网络,在这一过程中对所涉及的原理进行系统讲解及实践,让大家能够更深刻的理解算法背后的原理以及实现方法,之后有利于对其他机器学习更全面快速掌握

Ø  logistic 回归与损失函数

Ø  梯度下降法与导数

Ø  计算图的导数计算

Ø  logistic 回归中的梯度下降法

Ø  向量化 logistic 回归的梯度输出

Ø  神经网络的梯度下降法

Ø  深层网络中的前向传播

Ø  深度学习框架——Pytorch的使用

Ø  案例实践教学一:神经网络在催化中的应用——CO2还原

经典机器学习模型及应用


学习目标:对在材料领域中最常使用的几种机器学习模型进行介绍,总结它们的优缺点及适用范围,通过动手实践快速掌握几种方法

Ø  线性模型(线性回归、梯度下降、正则化、回归的评价指标)

Ø  决策树(决策树原理、ID3算法、C4.5算法、CART算法)

Ø  支持向量机(线性支持向量机、可分支持向量机、不可分支持向量机)

Ø  集成学习(AdaBoost和GBDT算法、XGBoost算法、LightGBM算法)

Ø  模型选择与性能优化(数据清洗、特征工程、数据建模)

Ø  Scikit-learn机器学习库的使用

Ø  案例实践教学二:利用集成学习方法预测杂化钙钛矿的带隙

Ø  案例实践教学三:利用集成学习实现有机太阳能电池材料快速筛选

材料基因工程入门与实战


学习目标:从数据库出发,对材料领域常见的数据库进行介绍,之后学习如何利用ASE,pymatgen等软件包批量构建及处理数据集,以及对材料进行特征选择。讲解常见的材料结构表示方法及编码,以及机器学习模型的评估与利用

Ø  材料基因组概述、材料基因组的基本方法

Ø  常见材料数据库介绍

Ø  Material Project数据库、Pymatgen

Ø  OQMD数据库、AFLOW数据库数据获取与使用

Ø  COMPUTATIONAL MATERIALS REPOSITORY数据库与ASE

Ø  自定义材料数据集的构建

Ø  材料化学的特征工程

Ø  特征选择(过滤特征、包装到其他评估或集成到训练)

Ø  基于sklearn的python实现

Ø  案例实践教学四:(包含以下内容)

Ø  团簇数据库中平均形成能最低的结构数据库的构建

Ø  利用MP数据库构建同素异形体结构的mongodb数据库

Ø  利用Pymatgen对原子性质进行分析

Ø  利用ASE+Dscribe生成材料指纹和势函数

Ø  描述符的向量化生成与特征的保存/读取,特征预处理

Ø  模型性能评估(分类性能、回归性能评估、统计交叉验证)和优化

Ø  (拓展)学习计算材料学领域与特征选择高级相关算法:SISSO

图神经网络入门及实践


学习目标:图神经网络是在科学领域最为火热的研究领域。由于化学结构与图论有着天然的适配性,相较于其他模型,图神经网络在材料化学领域更为擅长。在这一部分我们会对图神经网络进行系统的讲解,学习常见的图神经网络架构,实践图神经网络在部分材料中的应用

Ø  图论简单入门、图神经网络概念介绍

Ø  化学与材料领域经典的图神经网络架构——CGCNN与Schnet

Ø  图神经网络在材料中应用的实践

Ø  自定义图的实现:第三方依赖 - PyG  图卷积层:GCNConv

Ø  案例实践教学五:利用图神经网络CGCNN预测无机材料的性能

Ø  案例实践教学六:利用Schnet实现对分子理化性质的预测


机器学习+Science


学习目标:机器学习领域前沿内容,让大家了解最新的材料科学与机器学习领域的研究动态,同时介绍几种更为先进的机器学习算法

Ø  强化学习在材料优化问题中的应用

Ø  主动学习框架的在科学问题中的实现

Ø  生成模型在材料设计中的应用与挑战

Ø Transformer应用——以AlphaFold2为例

应用实例

包含以下内容:(可根据学员要求补充)

Ø  案例实践教学七:多种机器学习模型对量子点发光材料色温的预测

Ø  案例实践教学八:利用机器学习方法预测半导体材料物理性质

Ø  案例实践教学九:利用多种机器学习方法对二维材料的性质预测


部分案例图展示




  • 1
  • 08:05 免费1

暂无评价内容

当前课程暂无配套资料

返回顶部