2023年7月12日， 多伦多大学Edward H. Sargent等人受超分子合成子原理的启发，报告了钙钛矿结构内有机支架的组装，目的是影响晶体的几何排列和电子配置，从而抑制Ge的孤对电子表达并模板化对称八面体。作者发现，为了产生扩展的同聚非共价键合，有机基序需要具有使用不同的供体和受体位点实现的自我互补特性。作者表明这种设计的原理不仅限于二维Ge钙钛矿，在铜钙钛矿（也是低半径金属中心）的情况下也可实现，并将其扩展到准二维系统。作者报道了带有锗钙钛矿的光电二极管，其性能优于非八面体和铅类似物。与晶体内的无机框架互锁的次级亚晶格的构造提供了一种新的合成工具，用于模板化具有受控变形和轨道排列的混合晶格，克服了传统钙钛矿的局限性。

仅仅隔了一天，2023年7月13日，多伦多大学Edward H. Sargent等人使用与大部分钙钛矿不发生反应的铵配体，并研究了系统地改变配体分子结构的库。作者发现氟化苯胺提供界面钝化作用，同时最大限度地减少与钙钛矿的反应性。使用这种方法，报告了倒置结构PSC的经认证准稳态功率转换效率为24.09%。在85 °C和50 %相对湿度的封装器件中，我们记录了1 - sun光照下最大功率点的1560小时的T85。

机器学习方法作为人工智能重要的支柱之一，近年来受到了广泛的关注。在材料科学领域，由于数据的丰富和计算机运算能力的增强，机器学习方法已经被应用于发现新材料、预测材料和分子性质、研究原子力场和设计药物等多个方向。

材料是国民经济的基础，而新材料的发现是推动现代科学发展与技术革新的源动力之一。经过漫长的算法模型积累，以数据科学为基础的机器学习方法，已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上，机器学习紧跟各个领域的研究潮流，推动数据密集型科学研究的发展，使其成为继"理论"、"计算"、"实验"后引领科学研究的"第四范式"。近些年，随着人工智能和数据驱动技术的飞速发展。机器学习在材料领域的研究带动了材料信息学的进步，推动了材料科学的发展。运用数据驱动的机器学习算法建立材料性能预测模型，然后将其应用于材料筛选与新材料开发的研究引起了学者们的广泛关注。利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测，成为开发新型材料的重要手段。机器学习算法是在海量数据中寻找规律并为实验提供指导性建议，成为推动材料科学研究与创新的热点话题，对于提高材料研发效率、降低材料研发成本、促进制造业转型与升级具有深远意义。利用机器学习算法训练数据集来构建模型，以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等材料性能，大大推动了机器学习在材料科学领域的发展，并且已经取得重要突破。关于机器学习在材料中应用的论文数量也是逐年增长，机器学习在材料科学的应用研究文章近年来多次发表在Nature、Science、Angew、Advanced Materials、JACS、Nano Letters、ACS Catalysis、Joule、Matter、Energy Storage Materials等国际知名顶刊！

深度学习，又叫做神经网络。目前深度学习是一个快速发展的领域，最近引起了人们的极大关注。它是建立在人工神经网络的基础上，从人脑的结构和功能中汲取灵感。最近引起了人们的极大关注。深度学习是一种强大的技术，有可能彻底改变许多行业。它从数据中学习并做出准确预测的能力已经导致了从语音识别到医疗保健再到材料筛选等多个应用。然而，深度学习也有其局限性，包括其数据要求，黑盒模型和计算资源。但随着深度学习的发展，观察其创新和新颖的应用将是令人着迷的。

专题一、机器学习在材料化学的应用专题

第一天（机器学习基础）

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

Python基础

1.开发环境搭建

2.变量和数据类型

4.if语句

6.For和while循环

Python基础（续）

2.类和对象

Python科学数据处理

1.NumPy

2.Pandas

3.Matplotlib

第二天（线性回归理论及应用）

1.线性回归

1.1 线性回归的原理

1.2 线性回归的应用

2. 逻辑回归

2.1原理

2.2 使用方法

3. K近邻方法（KNN）

3.1 KNN分类原理

3.2 KNN分类应用

4. 神经网络方法的原理

4.1 神经网络原理

4.2 神经网络分类

4.3 神经网络回归

1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）

2.逻辑回归的实现与初步应用

3.KNN方法的实现与初步应用

4.神经网络实现

1.利用线性回归方法预测合金性能

2.利用KNN方法对MOF材料分类

这两个实操项目同时穿插讲解如下内容

1. 机器学习材料与化学应用的典型步骤

1.1 数据采集和清洗

1.2 特征选择和模型选择

1.3 模型训练和测试

1.4 模型性能评估和优化

第三天（机器学习基础）

1．决策树

1.1决策树的原理

1.2决策树分类

2．集成学习方法

2.1集成学习原理

2.2随机森林

2.3Bosting方法

3. 朴素贝叶斯概率

3.1原理解析

3.2 模型应用

4. 支持向量机

4.1分类原理

4.2核函数

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

1.用随机森林方法预测大孔材料对CO２吸附量

2.用决策树判断半导体材料类型

这两个实操项目同时穿插讲解如下内容

1.模型性能的评估方法

1.1 交叉验证：评估估计器的性能

1.2 分类性能评估

1.3 回归性能评估

第四天（利用聚类方法对材料分类及可视化）

1. 无监督学习

1.1 什么是无监督学习

1.2 无监督算法——聚类

1.3 无监督算法——降维

2. 材料与化学数据的特征工程

2.1分子结构表示

2.2 独热编码

1.聚类算法实现和应用

2.T-SNE实现和应用

3.PCA的实现和应用

4.层次聚类的实现和应用

5.K-means聚类的实现与应用

1. 利用支持向量机预测无机钙钛矿材料性能

2. 利用神经网络预测电化学催化剂的催化性能

第五天（实操内容）

项目实操：

1.分子结构的表示与特征提取

2.聚类、降维等无监督学习方法应用于分子特征处理

项目实操：

1. 利用机器学习方法预测有机无机杂化钙钛矿材料性能

2. CO2电化学还原催化剂性能预测的综合实训

第六天（实操内容）

１.逻辑回归预测钙钛矿性质

2. 基于分子特征的无监督学习综合应用

1. 利用多种机器学习方法对氧化物材料性质的综合预测

2. 利用多种机器学习方法对材料类型多分类的综合预测

专题二、深度学习辅助材料设计专题

第一天（pytorch深度学习框架演练）

材料数据库（material project, OQMD, AFLOW）

深度学习入门

图神经网络

材料特征工程

实操内容：

Pytorch深度学习框架演练

实操内容 :

Pymatgen介绍及结构文件生成

Pymatgen生成相图，构建表面

Megnet，QM9，JDFT等规模化材料数据集的读取

爬虫获取二维数据集

1.爬虫获取会议文献和期刊文章的数据

第二天（数据库的数据获取及演练）

1. AFLOW数据库的数据获取

1.1 AFLOW数据库功能练习

1.2. 爬虫获取AFLOW数据库的数据

2. OQMD数据库

2.1 OQMD数据库功能练习

2.2 OQMD数据库的数据获取

1. material project数据库

1.1 新版material project获取材料XRD、DOS图、能带图、吸收谱等数据

1.2 Pymatgen按照属性要求获取material project材料数据

2. 材料特征工程工具matminer演练

2.1 matminer获取材料数据集

2.2 matminer生成材料描述符演练

第三天（结构数据驱动的高通量计算及案例）

实操和演示内容：

基于结构数据驱动的高通量计算：

1. pymatgen大批量结构获取

2. 基于pymatgen的计算文件生成

3. 大批量计算结果的获取与统计

实操内容：

基于数据驱动的功能材料开发案例一（晶体图神经网络实现材料属性预测）：

1.用PYG搭建图神经网络（GCN、GAT）

2. 晶体图神经网络CGCNN模型代码原理

3. 利用晶体图神经网络实现材料属性预测

第四天（基于数据驱动的多个功能材料开发案例及实操）

实操内容：

基于数据驱动的功能材料开发案例二（半导体材料）：

1. 背景介绍

2. 数据获取

3. 构建特征

4. 传统机器学习和深度学习处理

5. 讨论与评测

实操内容：

1. 基于数据驱动的功能材料开发案例三（钙钛矿材料分类）：

1.1 数据集获取

1.2 构建材料特征

1.3 机器学习训练

1.4 特征可解释性分析

2. 基于数据驱动的功能材料开发案例四（深度学习实现钙钛矿材料性能回归）

2.1 matminer生成材料特征

2.2深度神经网络实现钙钛矿属性预测

2.3传统机器学习与图神经网络预测结果对比

部分案例图片

机器学习（ML）在材料领域的应用：

2023.09.09----2023.09.10全天授课(上午09.00-11.30下午13.30-17.00)

2023.09.12----2023.09.15晚上授课 (晚上19.00-22.00)

2023.09.16----2023.09.17全天授课(上午09.00-11.30下午13.30-17.00)

深度学习辅助材料设计

2023.09.19----2023.09.22晚上授课 (晚上19.00-22.00)

2023.09.23----2023.09.24全天授课(上午09.00-11.30下午13.30-17.00)

报名费用及优惠

公费价：每人每个课程￥4680元 （含报名费、培训费、资料费）

自费价：每人每个课程￥4380元 （含报名费、培训费、资料费）

套餐价：同时报名两个课程￥9280元 （原价9360元）（含报名费、培训费、资料费）

优惠：报名课程可免费赠送往期“材料基因组专题“或”CP2K专题课程”回放（任选其一）

优惠：提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人每班可得200元优惠（仅限前15名）

优惠: 报名4个课程以上包含4个，免费赠送一个培训名额（任意一期课程）

证书：参加培训并通过考试的学员，可以申请获得中国软件行业协会培训中心颁发的全国信息化人才专业技术证书.该证书可在中心官网查询，可作为能力评价，考核和任职的重要依据。专业技术证书查询网址：www.csia-tc.org.cn（自愿申请，须另行缴纳考试费500元/人）

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

报名缴费成功将赠送“机器学习（ML）在材料化学的应用专题与深度学习辅助材料设计专题”视频和课件（根据所报班型提供相应学习视频），参加本次课程的学员可免费再参加一次本单位后期组织的“机器学习在材料化学的应用专题与深度学习辅助材料设计专题专题”相同的专题培训班（任意一期都可以）。课后学习完毕提供全程录像视频回放，发送全部课件资料及数据PPT，长期答疑，微信解疑群永不解散

授课方式通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，400余页电子PPT和教程＋预习视频提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流等，培训完毕后老师长期解疑，培训群永不解散。

往期培训学员对于授课质量和培训方式一致评价极高

Past participants

往期参会单位

常州大学、电子科技大学、中国科学院大学、新疆工程学院、重庆医科大学、西安石油大学、北京交通大学、中国石油大学（北京）、江苏师范大学、哈尔滨理工大学、东北林业大学、暨南大学、南昌航空大学、浙江大学、青岛大学、山东科技大学、厦门大学、哈尔滨工业大学（深圳）、汕头大学、东北大学、北京航空航天大学、陆军工程大学、天津大学、南阳师范学院、香港大学、温州大学、江苏大学、燕山大学、东华理工大学、武汉工程大学、新疆大学、太原理工大学、华北电力大学、四川大学、广州大学、重庆大学、材料科学姑苏实验室、深圳大学、北京化工大学、燕山大学、西南石油大学、香港科技大学（广州）、厦门大学、东北大学、北京理工大学、南京航空航天大学、中国科学院青岛生物能源与过程研究所、香港城市大学、西安科技大学、厦门理工学院、中国科学院上海硅酸盐研究所、西湖大学中国核动力研究设计院、有研工程技术研究院有限公司、中南大学、福州大学、东风汽车集团股份有限公司乘用车公司、中国科学院金属研究所、贵州大学、上海大策资产管理有限公司、交通运输部公路科学研究所、贝卡尔特（中国）技术研发有限公司、云南大学、哈尔滨工业大学、西安电子科技大学、郑州大学、中国农业大学、滑铁卢大学、重庆理工大学、北京机科国创轻量化科学研究院、中国科学院深圳先进技术研究院、中原工学院、清华大学、中国科学院兰州化学物理研究所、University of Maryland、北京工业大学、安徽财经大学、中国科学与技术大学、商丘师范学院、宝理工程塑料贸易有限公司、中材科技股份有限公司、湖南工商大学、武汉大学、安庆师范大学、广东省科学院生态环境与土壤研究所、南昌航空大学、泉州师范学院、华中科技大学、南京大学、南京工业大学、吉林大学、深圳职业技术学院、西北工业大学、华东师范大学、山东大学、中国科学院空间应用工程与技术中心、中国科学技术大学、嘉兴学院、陕西师范大学、中国科学院上海硅酸盐研究所 、北京石油化工学院、重庆第二师范学院、武汉光钜、上海锦湖日丽塑料有限公司、首都医科大学宣武医院、沈阳工业大学、北京工商大学、中国科学院化学研究所、中创新航技术研究院（江苏）有限公司、中国科学院国家纳米科学中心、KAUSTuniversity、长春应用化学研究所、诺贝丽斯（中国）铝制品有限公司上海分公司、钢铁研究总院、万华化学集团股份有限公、四川奥林涂料工业有限公司、深圳市祥龙琪瑞科技有限公司、隆基乐叶光伏科技（西咸新区）有限公司、Imperial College London、中国航空制造技术研究院、苏州华碧微科检测技术有限公司、MIT、南开大学、防化研究院、中国科学院工程热物理研究所、广东工业大学、陆军装甲兵学院、南方科技大学、上海交通大学、国防科技大学、西安交通大学、中国科学院长春应用化学研究所、卢森堡大学、中国科学院力学研究所、东南大学等。感谢对我们培训的认可！还有许多因为时间冲突没法参加。这次，我们诚挚邀请您来参加！