AI+CAE主题月（六）：机器学习与深度学习赋能材料性能优化仿真
直播安排如下：
4月20日 AI FOR ENGINEERS 线上用户讨论会—AI+CAE应用场景价值与展望（点击观看）
4月22日 AI浪潮下工程师破局之路与ABAQUS的智能实践（点击观看）
4月26日 AI+CFD结合全链路落地方法与应用实践（点击观看）
4月29日 使用 AI Agent 实现 Ansys Hfss 全自动优化设计（点击观看）
5月14日 基于CFD+AI烟气多污染物排放控制装置应用初探（点击观看）
5月24日 机器学习与深度学习赋能材料性能优化仿真（点击观看）
5月24日20时，仿真秀AI+CAE主题月第6期，我们将邀请仿真秀大模型培训专家 道安老师带来《机器学习与深度学习赋能材料性能优化仿真》公开课，欢迎大家报名，支持反复回看。
一、主讲嘉宾
道安老师
QS前20工科博士，工业软件开发工程师，仿真秀AI4Eng优秀讲师
仿真秀大模型辅助机器学习培训专家，本科毕业于国内顶尖985高校，硕士博士毕业于世界排名前二十的高水平大学。其研究方向聚焦于热力学框架下的多物理场耦合仿真，涵盖声、光、热、力、电、磁、化学等多个物理场域的综合建模分析。在多尺度材料本构模型开发领域拥有丰富经验，特别擅长运用深度学习技术(包括前馈神经网络、循环神经网络、卷积神经网络及物理信息神经网络)构建高精度代理模型。这种跨学科的深厚积累，使其能够从物理本质出发，深入浅出地解析复杂工程问题。
他的代表内容：大模型辅助的物理机器学习PINN培训_仿真软件培训-（点击查看）
二、报告内容
1、机器学习与深度学习基础
（1）机器学习核心算法概览
（2）监督学习与泛化误差的基本概念
（3）神经网络基本结构：感知机、多层感知机、激活函数、损失函数
（4）常见训练方法：SGD、Adam、L-BFGS、正则化、dropout、早停
（5） 面向工程问题的数据预处理与特征工程
（6）简要实操：回归与分类入门，小样本建模与模型评估
2、结构化深度学习模型
（1）序列模型：RNN、LSTM、GRU
（2）图像与场数据模型：CNN、U-Net、残差网络
（3）图神经网络GNN入门及其在材料/结构数据中的作用
（4）典型案例：时序预测图像识别裂纹/缺陷，流场与场变量重构
3、材料发现与性能预测
（1）分子与材料发现的总体框架：数据获取、特征构建、模型训练、性能预测、候选筛选与实验验证
（2）高精度数据与基准体系：量子化学数据、构型采样与标准化数据集
（3）分子表示与特征工程：三维几何、分子图、表面特征与电子结构描述符
（4）机器学习建模：树模型、深度网络、图神经网络与三维等变模型
（5）关键任务：相互作用能预测、稳定构型识别、结合模式分析与性质关联
（6）可解释性分析：关键原子、局部作用位点与物理机制识别
（7）小样本学习策略：迁移学习、Delta-learning、主动学习与不确定性量化
（8）反向设计应用：面向分子识别、药物结合与超分子材料设计的候选筛选与优化
4、材料本构发现与多尺度建模
（1）超弹性、粘弹性、弹塑性参数发现与代理模型
（2）基于 DIC 全场位移的无监督本构搜索
（3）数据驱动本构建模与机理约束建模
（4）本构参数识别与模型可解释性
5、互动答疑交流
三、用户得到
系统掌握机器学习、深度学习核心理论，理解监督学习、泛化误差等关键概念，熟悉神经网络架构、主流优化器、正则化等训练方法，掌握工程场景下数据预处理、特征工程流程，可独立完成回归、分类、小样本建模与模型评估基础实操。
学习 RNN、LSTM、CNN、U-Net、GNN 等结构化经典模型原理，了解各模型适配场景，结合时序预测、缺陷识别、流场重构等工程案例，具备场数据、序列数据、图数据的建模应用能力。
熟悉材料发现与性能预测完整闭环，掌握分子 / 材料多维度特征构建、多类 AI 模型建模方法，能开展材料能量预测、构型识别、性质关联分析；掌握模型可解释性分析、小样本学习优化策略，具备分子、超分子材料反向设计与候选筛选能力。
了解材料超弹性、弹塑性等本构参数智能识别方法，掌握 DIC 全场数据无监督本构搜索、多尺度数据驱动建模思路，结合机理约束完成本构模型搭建与参数解析。
通过互动答疑，针对性解答学习、科研、工程落地中的实操难点与技术疑惑。
四、适合谁看
材料科学、化工、力学、土木工程等相关专业科研人员、研究生与高校师生；
从事材料研发、性能仿真、结构设计、多尺度建模的工程技术人员；
想要结合 AI、深度学习解决材料性能预测、缺陷检测、本构建模、材料反向设计问题的研发从业者；
有机器学习基础，希望深耕工业工程、材料仿真交叉领域，落地数据驱动科研与项目的技术学习者。
五、如何观看
请识别下方二维码报名 ，支持反复回看，还可以加入仿真技术交流群，获得专属折扣优惠等。
