课程简介

近年来，机器学习已越来越多的应用在化学与材料科学的研究当中，神经网络作为机器学习众多方法中热度最高的算法，在材料科学的相关研究中也备受追捧。与其它机器学习算法相比，神经网络参数设置更为繁杂，编写时更加依赖使用者的经验。华算科技历经半年的设计与打磨，结合数百名学员反馈，推出了基于材料与化学方向的神经网络专题课程。

本次课程主要基于Python语言与TensorFlow/Keras框架，学习神经网络的构建、训练与使用，课程中使用的绝大部分案例均源于化学/材料文献中真实案例，同学们学习完成后可直接将其用于自己的研究当中。课程设计目的为学习完成之后，能自己构建常用的神经网络，进行各种技巧处理，并进行应用。

课程须知：本次课程报名需有一定的Python代码基础，零基础同学请选择《Python与机器学习》课程。

课程内容

一、深度学习基础

本部分将学习机器学习与深度学习、神经网络的差异与联系。课程的神经网络是基于TensorFlow与Keras框架的，本小节将学习TensorFlow的基础知识，了解张量的操作与运算。

二、神经网络模型

本部分将学习通过Keras搭建简单神经网络，了解神经网络的结构，并学习神经网络中激活函数、损失函数的相关知识，学习神经网络求解算法，掌握神经网络的编写流程，并用于解决非线性分类问题。

三、多分类任务

本小节主要学习可进行手写识别的神经网络编写，编写过程中将介绍一些新的损失函数，网络将使用MNIST数据集进行训练，并进行使用。该案例在二维材料领域有一定的应用，常被用于检验二维材料的效果。

四、膜电极案例

本部分将学习如何将神经网络直接使用到化学与材料学体系当中，通过质子交换膜电极案例，学习神经网络的具体使用。在本案例中，将学习到学学习率、正则化、回调函数和模型保存与加载等各种知识，本小节学习完成将基本熟悉神经网络，具有构建与使用的能力。

五、高熵合金案例

本部分将讲解神经网络在化学与材料科学领域的另一案例——高熵合金案例。在本案例的学习中，将穿插讲解数据预处理、神经网络的不同构建方式等知识，并再次完成相关文献的数据重现。通过本部分学习，已能完成材料领域使用的大部分神经网络构建与使用。

六、吸附能

本部分主要学习内容为卷积神经网络（CNN）。CNN是结构更为复杂的神经网络，适用于模型更为复杂的情况，涉及案例为吸附能的预测。通过本案例，我们将学习卷积、池化等CNN常用功能，并构建CNN，进行训练与使用，重复部分文献结果。

七、STM/STEM

本部分将讲解另一篇使用CNN模型的文献，案例主要内容为STM/STEM图像的识别。主要内容为详解作者所用代码，并分析其使用的预测方法。本小节还将对作者训练完成的模型进行使用，并分享作者对模型的相关看法。

八、机器学习原子势

本部分将学习近年机器学习在计算化学领域的应用热点——机器学习原子势。机器学习原子势是利用神经网络方法简化分子动力学计算量的方法，目前已有成熟的相关软件可供使用。课程将介绍该方法的基本原理，并进行实操使用。课程还将学习on the fly AIMD相关知识，并与常规机器学习原子势方法进行对比。