微精选

分子催化剂在化学转化中起着重要作用，利用氧化还原态的变化来促进反应。迄今为止，分子电催化剂已经有效地从 CO 中生产出单碳产品2但一直在努力实现碳-碳耦合步骤。相反，铜催化剂可以实现碳-碳偶联，但会导致广泛的 C2+产品光谱。在这里，我们通过非均相镍负载铁四苯基卟啉电催化剂颠覆了传统的氧化还原介导的有机金属化合物反应机制，促进了电化学碳-碳耦合产生乙醇。与碳负载金属卟啉相比，这代表了明显的行为转变。将方法扩展到具有吸附铁四苯基卟啉的三维多孔镍载体，与部分乙醇电流密度为 -21 mA cm 的可逆氢电极 （pH 7.7） 相比，我们在 -0.3 V 时实现了 68% ± 3.2% 的乙醇法拉第效率−2.另外，我们展示了在 60 小时的运行中保持乙醇生产。进一步考虑分子催化剂和金属电极的宽参数空间，有望实现额外的化学成分和可实现的指标。

材料的研发主要依赖试错法，这种传统的研究范式不仅耗时费力，而且成本高昂。20世纪中叶起，随着蒙特卡罗方法、分子动力学和密度泛函理论(DFT)等计算物理方法的发展及其在不同材料体系中的应用，计算材料学逐渐成型，并广泛应用于信息技术、能源、化工、生物医药、航空航天等领域，成为探索物质世界、研发新材料的重要工具。近年来，随着计算材料学和人工智能(AI)快速发展，基于机器学习的材料设计逐渐成为可能。机器学习算法能够处理复杂的非线性关系，发现高维数据中的模式和规律，自动从数据中提取隐藏的关键特征，并且具备较强的泛化能力和迭代优化能力。这些优势与材料研究天然匹配，有望解决材料科学中设计空间巨大、构效关系复杂等关键共性难题。

(1)性质预测：利用机器学习挖掘材料的结构—性质关系(即构效关系)，再结合材料数据库筛选和设计具有特定性能的新材料。

(2)合成预测：利用机器学习预测材料的合成方案、合成路径、具体的实验合成参数等。

(3)知识发现：利用自然语言模型，对文献库进行数据提取和知识挖掘以辅助材料设计。

(4)生成式逆向设计：基于生成式模型，根据对材料性能的需求，逆向设计材料的成分和结构。

【理论内容】

1. 机器学习概述

2. 材料与化学中的常见机器学习方法

3. 应用前沿

【实操内容】

1)Python基础

1)开发环境搭建

2)变量和数据类型

3)控制流

2)Python基础（续）

1)函数

2)类和对象

3)模块

3. Python科学数据处理

1)NumPy

2)Pandas

3)绘图可视化

4)文件系统

【理论内容】

1. 线性回归

1)线性回归的原理

2)线性回归的应用

2. 逻辑回归

1)逻辑回归的原理

2)逻辑回归的应用

3. K近邻（KNN）

1)K近邻的原理

2)K近邻的应用

4. 感知机（浅层神经网络）

1)感知机的原理

2)使用感知机进行回归

3)使用感知机进行分类

【实操内容】

1. 线性回归的实现与初步应用

2. 逻辑回归的实现与初步应用

3. K近邻的实现与初步应用

4. 感知机的实现与初步应用

【项目实操内容】

1. 机器学习对CO2催化活性的预测｜机器学习入门简单案例 【文章】

1)机器学习材料与化学应用的典型步骤

a)数据采集和清洗

b)特征选择和模型选择

c)模型训练和测试

d)模型性能评估和优化

2)sklearn库介绍

a)sklearn库的基本用法

b)sklearn库的算法API

c)sklearn库的模型性能评估

【理论内容】

1. 决策树

1)决策树的原理

2)决策树的应用

2. 集成学习

1)集成学习的原理

2)集成学习的方法和应用

3. 朴素贝叶斯

1)朴素贝叶斯的原理

2)朴素贝叶斯的应用

4. 支持向量机

1)支持向量机的原理

2)支持向量机的应用

【实操内容】

1. 决策树的实现和应用

2. 随机森林的实现和应用

3. 朴素贝叶斯的实现和应用

4. 支持向量机的实现和应用

【项目实操内容】

1. 利用集成学习预测双金属ORR催化剂活性【文章】

1)Sklearn中的集成学习算法

2)双金属ORR催化活性预测实战

a)数据集准备

b)特征筛选

c)模型训练

d)模型参数优化

2. 使用支持向量机预测高熵合金相态【文章】

1)支持向量机的可视化演示

a)绘制决策边界

b)查看不同核函数的区别

2)支持向量机预测高熵合金相态（分类）

a)数据集准备

b)数据预处理

c)特征工程

d)模型训练及预测

3)支持向量机预测生物炭材料废水处理性能（回归）

a)数据集准备

b)数据预处理

c)模型训练及预测

【理论内容】

1.深度学习概述

2.材料特征工程

3. 材料与化学中的常见深度学习方法

4. 应用前沿

【实操内容】

1.Pytorch深度学习框架实操

1)认识Pytorch

2)Pytorch深度学习模型的建立范式

3)为预测任务建立Pytorch深度学习模型

2.Pytorch Lightning框架实操

1)使用Pytorch Lightning训练模型

2)设置最佳保存点和早停

【理论内容】

1.材料基因组概述

2.材料基因组的基本方法

3.常见材料数据库介绍

【实操内容】

1.Material Project数据库与Pymatgen

1)Material Project数据库实操

2)Pymatgen库实操（matgenb）

2.ASE（Atomic Simulation Environment）实操

3.OQMD数据库数据获取与使用（qmpy_rester）

4.AFLOW数据库数据获取与使用（aflow）

5.材料特征工具Matminer实操

1)Matminer获取材料数据集

2)Matminer生成材料描述符

【理论内容】

1. 卷积神经网络（CNN）

1)CNN的介绍

2)CNN的原理

3)ResNet的介绍及原理

【项目实操内容】

1.CNN入门案例、深度神经网络模型的预训练及微调

1)使用微调的预训练ResNet预测mnist数据集

2)从头开始训练ResNet预测mnist数据集

2.STEM图像生成

1)STEM图像数据读取与处理

2)使用ASE创建原子模型

3)模拟二硫化钼中硫原子的缺失

4)生成硫原子缺失的STEM仿真图像

3.卷积神经网络在合金电镜图片识别的应用【文章】

1)合金电镜数据集介绍及图像预处理

2)构建简单CNN模型进行分类

3)使用预训练模型VGG16进行分类

4)使用预训练模型DenseNet201进行分类

5)模型性能展示

4. 基于粉末X射线衍射图谱的晶体对称性识别CNN模型【文章】

1)XRD图像数据集准备

2)使用PyTorch处理数据集

3)PyTorch训练一维图像数据预测模型

4)PyTorch模型验证和测试

第一部分（分子动力学基础）

1.理论内容

1.1科学研究的四范式：从大数据时代到AI4SCIENCE时代

1.2AI4SCIENCE时代的分子动力学模拟：从传统的经验力场方法和第一性原理方法到机器学习力场

1.3基于机器学习的分子动力学的特点，分类和工作流程，及发展趋势．

2.实操内容：

1.Linux系统与超算服务器的常规操作

2.Python(pycharm或vscode)的基本数据类型与代码调试

3.虚拟环境(Anaconda或Mamba)的使用

3.分子模拟软件介绍

3.1LAMMPS的入门与使用

3.2软件发展趋势与特点

3.3输入文件的详细解析与注意事项

3.4相关势函数的获取渠道

3.5分子模拟轨迹的后处理与分析

3.6机器学习势函数使用

4.OpenMM的入门与使用

4.1软件发展趋势与特点

4.2运行脚本与注意事项

4.3GAFF(Amber)力场的简要介绍

4.4使用sobtop软件和Python快速、自动化生成任意有机分子的力场参数文件（同时也适用GROMACS）

5.量子化学计算软件的介绍与快速上手

5.1CP2K软件的发展介绍与特点：

5.2软件发展趋势与特点

5.3运行命令与赝势文件

5.4使用MULTIWFN快速生成单点能或分子动力学模拟的输入文件

5.5输入文件的字段解释与注意事项

5.6使用Python实现自动化提交任务与任务后处理

5.7在CP2K中使用GFN1-xTB方法，适合新手的入门旋转！

6.ORCA软件的发展介绍与特点：

6.1软件发展趋势与特点

6.2使用MULTIWFN或基于模板快速生成单点能或分子动力学模拟的输入文件及注意事项

6.3使用Python实现自动化提交任务与任务后处理

6.4在ORCA中使用ωB97M-V泛函

7.XTB软件的发展介绍与特点：

7.1软件发展趋势与特点：发展迅猛！年被引用增长率高达87%；能够执行单点能，几何优化，分子模拟等功能

7.2安装与常用命令

7.3几种半经验方法的简要介绍

7.4使用Python实现自动化提交任务与任务后处理

7.5DFTB(简单介绍)

7.6执行单点能，几何优化，分子模拟等

7.7使用Python实现自动化提交任务与任务后处理

8.案例：传统力场方法与机器方法力场方法的对比

8.1使用OpenMM执行有机体系的分子模拟

8.2基于机器学习力场方法，结合LAMMPS执行合金，锂电池体系的分子模拟

8.3使用MDtraj等软件进行模拟结果的后处理分析与Python高质量科研绘图，包括：能量与力的预测曲线，径向分布函数，键长键角二面角分布，电池电压曲线等．

1.理论内容

1.1机器学习与深度学习的快速入门

1.1.1常见概念与分类

1.1.2机器学习的发展历史以及部分理论：通过可视化案例，理解神经网络的通用近似理论

1.1.3神经元，反向梯度下降，损失函数，过/欠拟合，残差连接等基本概念

1.1.4ANN, CNN, RNN, TRANSFORMER等深度神经网络的基本框架的介绍与特点

1.1.5相关学习资源的推荐

1.2科学领域的机器学习模型介绍

1.2.1物理约束/物理对称性

1.2.2高效描述局部环境方法的分类与特点

1.2.3基于核方法或深度神经网络方法

1.2.4基于描述符或分子图方法

1.3基于描述符的机器学习力场模型

1.3.1机器学习力场的开篇工作

1.3.2BPNN模型详解与发展

1.3.3生态最好的机器学习力场模型

1.3.4DeePMD系列工作的详解

1.3.5DeePMD的发展和几种描述符的介绍及特点

1.3.6DeePMD的压缩原理与特点

1.3.7DPGEN的工作原理

1.4基于图框架的机器学习力场模型

1.4.1图神经网络、图卷积网络和消息传递神经网络的发展与理解

1.4.2图神经网络的机器学习力场模型的经典模型

1.4.3SchNet模型的特点与代码实现

1.4.4基于三维空间建模的完备性与效率的几何系列模型:

1.4.5DimeNet,SphereNet和ComENet模型的详解与比较

1.4.6其他机器学习力场模型概述：DTNN和PhysNet等

2.实操内容

2.1DeePMD的离线安装与验证

2.2DeePMD输入文件详解:与理论课的模型框架相对应地进行超参数设定的讲解，及使用经验

2.3DeePMD的常见功能，包括训练，重启，冻结，压缩和测试

2.4DeePMD的常见问题与训练过程的分析

2.5综合使用LAMMPS和DeePMD, 执行高精度的分子动力学模拟

2.6分子模拟的数据后处理与分析

2.7DPGEN软件的介绍与工作流程

2.8DPGEN软件的输入和输出文件：param.json和machine.json文件的参数详解；跨计算分区的提交任务示例；不同量化级别方法的示例

2.9DPGEN软件的常用命令与使用经验，以及不同体系收敛的参考标准

1.理论内容

1.1不变系列模型的总结

1.1.1等变模型的概念，特点，分类和应用

1.1.2等变的概念

1.1.3等变模型的分类与特点

1.1.4等变模型的介绍：超高数据利用率与优秀的泛化能力

1.1.5群的简要介绍

1.1.6SO(3)群的简单入门与张量积

1.1.7欧式神经网络(E3NN)的介绍与注意事项

1.1.8高阶等变模型与传统模型，经验力场的区别

1.1.9常见误区的提醒

1.2等变机器学习力场的经典模型:

1.2.1Nat. Commun.上高被引的NequIP模型的详解和代码框架

2.实操内容

2.1DeePMD软件的进阶使用与补充讲解，包括多GPU并行训练

2.2LAMMPS以多GPU并行方式运行机器学习力场模型

2.3使用Python代码快速可视化机器学习力场模型在等变与不变设计上的区别

2.4使用多种机器学习的降维方法，结合K-Means聚类，从分子模拟轨迹中以低冗余方式提取多帧结构文件。

2.5NequIP模型的超参数介绍和使用

2.6复现Nat. Commun.文章结果，包括计算径向分布函数、键角分布等性质

2.7使用wandb进行超参数调优与训练过程中各种信息的可视化分析

01.机器学习材料设计

1.掌握Python编程基础及其在科学计算中的应用：学会利用Python进行数据处理、模型构建与可视化，熟悉NumPy、Pandas等工具。

2.理解材料与化学中的机器学习方法：掌握线性回归、逻辑回归、决策树、支持向量机等常见算法的基本原理与应用。

3.应用机器学习解决材料科学问题：通过项目实践，深入理解数据采集、特征选择、模型训练与评估等步骤，学会使用sklearn等工具库完成任务。

4.了解材料数据的特征工程与数据库应用：学习如何表示分子结构与晶体结构，并了解常见材料数据库的使用方法。

提升实战能力并引导深入学习：通过多样化的项目实践案例，巩固课程内容，为后续深度学习等更复杂算法的学习打下基础。

02.深度学习材料

1.理解深度学习与材料科学的结合点：掌握深度学习在材料特征工程和化学中的应用，了解当前研究的前沿方向。

2.熟练使用材料数据库与工具库：学习材料基因组的基本方法，并熟练掌握Material Project、Pymatgen、ASE等常见数据库及工具库的使用。

3.掌握常见深度学习算法的原理与应用：深入理解卷积神经网络、时序神经网络、生成模型及图神经网络的工作原理及其在材料研究中的具体应用。

4.培养实战能力：通过动手实践，包括深度学习框架Pytorch和Pytorch Lightning的使用、卷积神经网络在材料图像识别中的应用、基于Transformer的属性预测模型构建、生成对抗网络和变分自编码器在材料生成中的应用等，提升解决材料研究实际问题的能力。

04.深度学习超材料逆向设计

1. 学习弹性波超材料的基本概念与计算方法

2. 学习深度学习算法以及基于Tensorflow框架的模型搭建

3. 学习深度学习在弹性波超材料领域的研究现状

4. 学习基于COMSOL with Matlab的弹性波超材料数据集批量自动生成方法（分享课程涉及的所有数据集及代码）

5. 学习基于深度学习的弹性波超材料正向预测、参数设计与拓扑设计的原理以及实现方式（分享课程涉及的所有代码）

05.机器学习锂离子电池

1.使学员了解锂离子电池的基本原理和特性，以及机器学习在电池技术中的应用背景。通过学习Python编程语言，使学员能够熟练使用基础语法、函数、模块、包和面向对象编程，让学员熟悉并掌握机器学习库。

2.使学员理解神经网络的基础知识，包括激活函数、损失函数、梯度下降与反向传播，并能够使用Pytorch构建全连接神经网络，掌握深度学习中的正则化技术、优化算法和超参数调优方法，了解并能够应用循环神经网络、卷积神经网络、图神经网络、注意力机制、Transformer架构、生成对抗网络和变分自编码器。

3.培养学员在锂离子电池正极材料特性工程方面的实战能力。通过实战项目，使学员能够使用机器学习技术预测锂离子电池性能、稳定性，并进行电池性能分类。理解如何将机器学习与分子动力学模拟、第一性原理计算以及实验数据结合，以加速新材料的发现和电池性能的优化。

4.电池管理系统（BMS）的智能化学习：使学员了解BMS的功能与组成，并能够应用机器学习技术进行电池充放电策略的优化。培养学员使用机器学习技术进行锂离子电池的实时充电状态（SOC）和健康状态（SOH）估计。

5.拓宽学员的国际视野，让他们接触和学习国际上的先进研究成果。培养具备跨学科整合能力的学员，使他们能够在锂离子电池、深度学习、数据科学等领域之间架起桥梁，开展创新性研究。

06.深度学习声学超材料

1.学习声学超材料的基本概念与理论。

2.掌握声学超材料的结构设计与分类。

3.了解声学超材料的制造方法。

4.探讨声学超材料的模拟与深度学习结合。

5.分析声学超材料研究的前沿进展与未来发展方向。

7.了解深度学习的基本概念和理论。

8.掌握深度学习模型的构建与训练方法。

9.探讨深度学习在声学超材料中的应用。