AI 进锂电｜知名电池企业周俊俊博士讲机器学习如何重塑材料研发
点击文尾阅读原文报名
导读：当"AI for Science"的浪潮席卷材料领域，锂离子电池研发正在从"试错法"走向"数据驱动"——用机器学习预测材料性能、筛选候选体系，已经成为头部电池企业研发工程师的必备技能。
但对很多材料背景的同行来说，机器学习依然隔着一层门槛：概念听不懂、流程不清晰、代码不会写、模型不会评估。8月19日（周三）晚 20:00，仿真秀特邀头部电池企业材料计算部仿真工程师——周俊俊博士，带来直播《机器学习助力锂电材料研发：基础入门与实战案例》，从基础概念讲起，手把手带你跑通一个真实的材料机器学习实战项目。一、主讲嘉宾：周俊俊 博士
南京理工大学博士，现就职于头部电池企业材料计算部，担任仿真工程师。研究方向为机器学习驱动的锂离子电池材料模拟与设计，擅长融合第一性原理计算（DFT）、分子动力学模拟（MD）与机器学习方法，开展电池材料性能预测及微观机理研究。目前已发表 SCI 论文 9 篇，获软件著作权 4 项。了解机器学习的基本概念、分类方法及标准工作流程，建立完整的 AI 材料研发知识框架。掌握材料特征工程的核心方法，包括描述符构建、数据标准化、特征选择与降维；学会监督学习（随机森林、梯度提升树、SVM 等）在材料性能预测中的建模流程与模型评估。完整跑通基于实验数据的固态电解质离子电导率预测全流程实战，涵盖数据预处理、特征构建、模型训练、超参调优与结果解释。本次直播的实战环节，将以"固态电解质离子电导率预测"为例，完整演示一个材料机器学习项目从数据到模型的全过程。如何把一个化学式变成机器能读懂的数字？直播将演示对元素属性（原子半径、电负性、原子质量、密度、熔点等）进行原子分数加权平均，构建反映材料组成特性的多维描述符，构建完成后，不同电导率类别（高/低）样本在各特征上的分布一目了然，哪些特征更有区分度。按 8:2 比例拆分训练集与测试集，并使用 stratify 参数保持类别比例一致，避免数据分布偏移：随后采用 StandardScaler 进行标准化处理，使各特征均值为 0、标准差为 1，消除量纲差异，保证模型收敛效率。完成建模后，如何科学地评价模型好坏？直播将详细讲解混淆矩阵、ROC 曲线、Precision-Recall 曲线等评估手段。本案例模型在测试集上取得了准确率 86.2%、AUC 0.919 的成绩；从数据预处理到结果解释，每一个环节都将在直播中实操演示，零基础也能跟着跑通。四、你将收获
1、了解机器学习的基本概念、分类方法及标准工作流程，建立完整的 AI 材料研发知识框架； 2、熟悉材料特征工程的核心方法，包括描述符构建、数据标准化、特征选择与降维；3、学会监督学习（随机森林、梯度提升树、SVM 等）在材料性能预测中的建模流程与模型评估；4、完整跑通基于实验数据的固态电解质离子电导率预测全流程实战。五、适合谁看
1、从事新能源 / 锂电池学术研究的在校学生和高校教师； 2、从事或打算从事新能源电池研发工作的在校学生及工程师； 4、Python 及机器学习工具（scikit-learn 等）的学习者和应用者。六、如何报名
8月19日（周三）20:00，锁定仿真秀APP直播间。扫描下方二维码报名，与周俊俊博士一起，把机器学习真正用进锂电材料研发！若您有项目需求，我们将为您提供专业服务，机会不容错过！仿真遇难题，就找仿真秀！别让仿真困扰阻碍你的学术进度与项目推进 —— 加入仿真秀大家庭，让专业团队帮你冲破技术瓶颈，开启科研与项目的 “加速模式”！技术咨询需求可直接联系冯老师，电话：15311461141（微 信同号），24 小时内为你响应。 喜欢作者，请点赞和分享
获赞 12081粉丝 23458文章 4579课程 276
