機器學習輔助材料設計

"王一博，北京中關村學院AI教育中心（行政）主任，北京大學人工智能碩士，策劃並發起全球**面向青少年AI for Science賽事AI4S TEEN CUP，深度參與國家關鍵領域工程碩博核心課程《人工智能賦能科學研究》等一系列教材和高質量課程，推動AI for Science課程在國內外數十所高校的落地。單斌，華中科技大學教授，兼任美國德州大學達拉斯分校材料系客座教授、中科院寧波材料所客座研究員。新世紀優秀人才支持計劃獲得者，美國材料學會、電化學學會會員。主要從事先進催化材料的研發，高分子材料、梯度功能材料的3D打印研究、原子層沈積裝備研制等工作。發表論文60余篇，他引上千余次。牛海洋，西北工業大學材料學院教授，國家海外高層次人才項目入選者一直致力於材料相變的多尺度計算模擬、先進分子動力學方法研發、計算材料設計及機器學習在材料學上的應用等領域的研究工作。"

目錄

第1章機器學習基礎

1.1AI for Science世界的尋寶圖

1.1.1什麼是AI for Science

1.1.2AI4S第一張藏寶圖： AI求解高維函數

1.1.3機器學習基本概念

1.1.4怎麼使用這本教材

參考文獻

1.2編程語言基礎

1.2.1機器學習輔助材料設計編程知識概覽

1.2.2基礎編程語言： Python概覽

1.2.3變量和數據類型

1.2.4常見數據結構及用法

1.2.5選擇與循環

1.2.6函數

1.2.7類

1.2.8Python編程中相關函數功能查找方法

1.2.9在Bohrium上一鍵跑起來你的代碼

習題

擴展資料

參考文獻

1.3數據分析三劍客

1.3.1Python第三方庫

1.3.2NumPy： 數組與矩陣

1.3.3Pandas： 表格數據處理

1.3.4Matplotlib

1.3.5其他數據分析常用庫函數

習題

擴展資料

參考文獻

1.4數據獲取與材料信息學

1.4.1引言

1.4.2數據收集 

1.4.3材料信息學

1.4.4實戰案例： 構建一個包含CMR的金銀團簇數據庫

1.4.5小結

習題

擴展資料

參考文獻

 1.5數據預處理與特征工程

1.5.1引言

1.5.2數據基礎統計分析

1.5.3數據清洗

1.5.4特征工程

1.5.5案例： 雙金屬催化劑的ORR活性

1.5.6小結

習題

擴展資料

參考文獻

第2章統計機器學習模型與性質預測

2.1機器學習中的線性回歸

2.1.1線性回歸的定義與應用

2.1.2參數估計方法

2.1.3模型評估與性能提升

2.1.4實例應用

2.1.5線性回歸的挑戰與局限性

習題

擴展資料

參考文獻

2.2分類問題與材料篩選

2.2.1分類問題

2.2.2邏輯回歸

2.2.3Softmax分類

2.2.4模型評估

2.2.5高熵合金相組成預測

習題

擴展資料

參考文獻

2.3決策樹與過擬合現象

2.3.1決策樹算法概述與基本邏輯

2.3.2決策樹分類任務中的特征劃分算法

2.3.3過擬合現象

2.3.4決策樹的過擬合與剪枝

2.3.5決策樹算法的更多細節： 以CART算法為例

2.3.6sklearn中的決策樹使用

2.3.7決策樹在材料學中應用實戰

習題

擴展資料

參考文獻

2.4支持向量機與特征選擇

2.4.1支持向量機簡介

2.4.2SVM理論速覽（選學）

2.4.3sklearn中的SVM

2.4.4SVM中核函數選擇

2.4.5參數搜索算法

2.4.6特征選擇算法

2.4.7案例實戰： 生物炭材料廢水處理性能預測

習題

擴展資料

參考文獻

2.5集成學習算法及應用

2.5.1集成學習簡介

2.5.2集成學習主要類型

2.5.3五種常見的集成學習算法

2.5.4材料力學性能預測

習題

擴展資料

參考文獻

2.6聚類與降維

2.6.1無監督學習

2.6.2聚類算法

2.6.3降維算法

2.6.4在sklearn中調用聚類和降維算法

習題

擴展資料

參考文獻

2.7SVM在高熵合金相態分類中的應用探索

2.7.1案例背景與數據集介紹

2.7.2數據讀入與數據預處理 

2.7.3特征工程

2.7.4模型對未知數據的預測

2.7.5小結

習題

擴展資料

參考文獻

第3章深度學習模型與材料表征

3.1材料表征與圖形圖像基礎

3.1.1引言

3.1.2材料表征概述

3.1.3圖形圖像基礎

3.1.4聚類與簡單圖像分類

習題

擴展資料

參考文獻

3.2深度學習基礎： 多層感知機

3.2.1神經網絡概述

3.2.2神經網絡的基本結構

3.2.3前向傳播

3.2.4神經網絡的訓練

3.2.5反向傳播公式推導（選學）

3.2.6深度學習與深度神經網絡

習題

擴展資料

參考文獻

3.3PyTorch使用基礎

3.3.1機器學習框架

3.3.2PyTorch安裝與導入

3.3.3PyTorch基礎： Tensor與簡單運算

3.3.4自動求導機制

3.3.5使用PyTorch構建多層感知機

3.3.6數據集構建與加載

3.3.7PyTorch完整訓練流程

3.3.8使用GPU進行訓練

3.3.9案例實戰： 多層感知機預測單晶合金晶格錯配度

習題

擴展資料

參考文獻

3.4深度卷積神經網絡與電鏡圖像處理

3.4.1卷積神經網絡背景知識

3.4.2卷積神經網絡的基本原理

3.4.3PyTorch中卷積神經網絡的使用

3.4.4其他卷積神經網絡介紹

3.4.5案例實戰： 三元鋰電池正極材料SEM圖像分類研究（基礎版）

習題

擴展資料

參考文獻

3.5機器學習可解釋性與預訓練模型

3.5.1機器學習可解釋性

3.5.2機器學習可解釋性主要研究內容

3.5.3預訓練模型概述

3.5.4案例實戰： 三元鋰電池正極材料SEM圖像分類研究（進階版）

習題

擴展資料

參考文獻

3.6語義分割、圖像生成與電鏡圖像處理進階

3.6.1計算機視覺領域發展概述

3.6.2語義分割算法

3.6.3圖像生成算法

3.6.4案例實戰： 基於圖像生成與語義分割算法的二維材料缺陷檢測

習題

擴展資料

參考文獻

3.7循環神經網絡與序列數據處理

3.7.1序列數據概述

3.7.2循環神經網絡

3.7.3長短期記憶網絡

3.7.4門控循環單元

3.7.5Transformer概述

3.7.6案例實戰： 基於循環神經網絡預測鋰電池的老化軌跡

習題

擴展資料

參考文獻

第4章機器學習勢函數

4.1經典勢函數與原子間相互作用

4.1.1材料研究與原子間作用勢

4.1.2經驗勢

4.1.3總結

習題

LAMMPS經典勢函數模擬案例

參考文獻

4.2神經網絡勢函數與材料模擬實戰

4.2.1神經網絡勢

4.2.2基於DeePMD-kit的LiCl深度勢能分子動力學模型

4.2.3總結

習題

擴展資料

參考文獻

第5章機器學習輔助材料設計前沿進展

5.1深度學習分子動力學相變案例

5.1.1分子動力學模擬方法的介紹

5.1.2深度神經網絡勢函數的構建

5.1.3神經網絡勢函數的應用

習題

教學案例

參考文獻

5.2基於深度勢能分子動力學和進化算法的冰相結構預測

5.2.1材料探索研究進展

5.2.2深度學習勢能和晶體結構預測進化算法

5.2.3基於深度勢能模型的冰相晶體結構預測方法開發

5.2.4復雜體系冰相的晶體結構預測及構型空間解析

習題

教學案例

參考文獻

5.3三維分子表示學習框架和預訓練模型Uni-Mol

5.3.1QSAR原理介紹與Uni-Mol預訓練模型

5.3.2Uni-Mol架構設計： 從三維信息本質出發的通用框架

5.3.3Uni-Mol的應用

5.3.4Uni-Mol案例實戰： 電解液分子的沸點預測

5.3.5小結

習題

擴展資料

參考文獻