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

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