课程简介

本课程以材料科学为核心应用场景，结合人工智能、机器学习和生成式AI的最新进展，构建从原理 → 方法 → 应用的完整知识体系。学员不仅能掌握AI技术本身，还能理解其在原子、分子、微观和宏观尺度材料结构设计中的独特价值。

课程内容

1. 生成式AI模型的简介（3 小时）

AI、机器学习，以及生成式AI的介绍

• 什么是AI？什么是机器学习?
• 监督式学习、无监督式学习和强化学习
• 什么是生成式AI?与传统方式有什么不同？

• 材料结构设计: 原子结构、晶体结构、聚合物、超材料

• 材料模拟方法（密度泛函数, 分子动力学, 有限元模拟等）
• 实例操作1：用有限元法计算复合材料力学和传导性质
• 实例操作2：用有限元法计算超材料的单轴压缩大变形
• 实例操作3：用均质化法计算复合材料的弹性矩阵

• 数据驱动的设计
• AI设计材料实例

2. 生成式AI模型的简介（3 小时）

• 基本的神经网格：MLPs, CNNs, Graph neural nets, and Transformers
• 实例操作4：如何构建机器学习环境
• 实例操作5：神经网格的参数解释
• 实例操作6：组装第一个神经网格：用MLP预测3D力学超材料的性能

生成式模型简介

• Variational Autoencoders (VAEs)
• Generative Adversarial Networks (GANs)
• Diffusion Models
• Flow-based models

• 实例操作3：构建第一个生成式模型，以diffusion model为例

3. 训练数据准备（3 小时）

• 流行的数据库(Materials Project, OQMD, NOMAD, etc.)
• 如何用Python API收集与处理网络数据库

机器学习前的数据处理

• 编码数据
• 可视化材料结构 (graphs, images, voxels)

4. 实例操作5：分子尺度的药物生成与性能预测（3 小时）

• 分子结构数据库的调用以及编码
• 图神经网格构建以及训练

• 提取训练数据
• 生成nature风格的训练结果图片

5. 微米尺度的材料逆向设计（3 小时）

• 基于Python的几何构建
• 杨氏模量与泊松比的计算模拟

2D负泊松比超材料的逆向设计

• 条件式GAN的构建
• 模型训练
• 超材料的逆向设计

3D点阵超材料的逆向设计

• 材料数据库构建（体积分数、杨氏模量、传导率等）
• 基于3D CNN的GAN构建
• 训练与逆向设计

6. 挑战与前沿（3 小时）

• 文字生成材料微观结构

大数据、自动化实验与材料发现（1 小时）

• 基于大数据的材料生成与发现
• 自动化实验的材料制备与发现

未来趋势与挑战

• 计算成本、数据限制、以及模型的可解释性
• AI在材料科学中的未来以及展望