培训重点
0基础可学，快速建立材料机器学习基本认知框架
围绕真实科研流程，掌握数据到模型的核心分析思路
结合新能源材料案例，提升方法在课题中的实际迁移能力
培训目标
这是一门面向材料、化学、能源、物理、计算材料等方向小白学员的三天入门课。课程不以复杂公式推导为主，而是围绕新能源材料科研真实流程展开：材料数据如何获取、如何清洗、如何变成描述符、如何训练机器学习模型、如何解释模型、如何筛选候选材料。
学完后，学员能够独立跑通“材料数据 -> 特征工程 -> 模型训练 -> 性能预测 -> SHAP 解释 -> 高通量筛选”的完整流程，并迁移到电池、固态电解质、电催化、钙钛矿等研究方向。
问题中的应用
适合人群
新能源材料方向研究生；电池、电催化、固态电解质、钙钛矿方向科研人员；想把机器学习用于论文和课题的材料人。
培训简介
1.跑通“数据处理→模型训练→性能预测→候选材料筛选”完整流程
2.随机森林、SVR、XGBoost等4类主流模型实战训练
3.输出预测图、SHAP解释图、候选材料排序表等科研成果
4.完成 Top20 新能源材料高通量筛选实战
5.建立可迁移至论文与课题的AI研究思路
数据与特征工程：从材料数据到机器学习表格 目标：把分散的新能源材料数据整理成模型可以读取的训练数据 |
新能源材料 AI 入门 | 新能源材料研究痛点：实验周期长、DFT 成本高、候选空间大。 机器学习作用：快速预测、虚拟筛选、辅助实验设计。 应用场景：电池、固态电解质、电催化、钙钛矿、储氢。 实操产出：理解材料机器学习完整工作流。
|
Python 与数据处理基础 | Python / Anaconda / Jupyter / VS Code 环境准备。 pandas 读取 CSV / Excel，查看列名、缺失值与数据类型。 NumPy 计算与 Matplotlib 可视化。 实操：读取新能源材料性能数据，绘制分布图/散点图。
|
新能源材料数据集构建 | 实验数据、文献数据、数据库数据、DFT 数据的区别。 单位统一：电导率、带隙、形成能、过电位、容量。 实验条件处理：温度、pH、电流密度、浓度、测试方法。 实操：处理缺失值、重复值、异常值，输出干净 CSV。
|
数据库与高通量数据获取 | Materials Project、OQMD、AFLOW、NOMAD 数据库简介。 常用字段：化学式、晶体结构、形成能、带隙、密度、空间群。 pymatgen 基础：读取结构文件、解析材料信息。 实操：下载材料形成能、带隙或结构数据。
|
材料描述符与特征工程 | 组成描述符：元素种类、平均原子量、电负性、价电子数。 结构/电子描述符：晶格参数、密度、带隙、DOS、d-band center。 实验条件描述符：温度、pH、浓度、电流密度。 实操：使用 matminer / Magpie 自动生成机器学习特征。
最终产出：完整的 X 特征矩阵和 y 性能标签。 |
模型训练与解释：从基础模型到 XGBoost 性能预测 目标：训练材料性能预测模型，并用指标和可视化判断模型是否可靠 |
机器学习基础概念 | 监督学习、无监督学习、回归、分类。 训练集、验证集、测试集；特征 X 与标签 y。 欠拟合、过拟合、数据泄露。 实操：划分训练集和测试集，建立最小可运行模型。
|
基础回归与分类模型 | 线性回归、岭回归、Lasso 回归。 支持向量机、决策树、随机森林。 分类任务：判断材料稳定/不稳定、适合/不适合。 实操：预测材料带隙、形成能或离子电导率。
|
模型评估与交叉验证 | MAE、RMSE、R² 的含义与材料科研解释。 K 折交叉验证与模型稳定性。 随机划分与按材料体系划分。 实操：绘制预测值-真实值图、残差图、误差分布图。
|
集成学习与 XGBoost | Bagging、随机森林、Boosting、Gradient Boosting。 XGBoost / LightGBM 原理简介。 超参数搜索：max_depth、learning_rate、n_estimators。 实操：用 XGBoost 预测新能源材料性能。
|
模型解释与 SHAP 分析 | 为什么材料机器学习需要可解释性。 特征重要性、Pearson 相关性、SHAP 的区别。 SHAP summary plot 与 dependence plot。 实操：解释影响离子电导率、带隙或催化活性的关键特征。
|
固态电解质离子电导率预测 | 固态电解质材料与离子电导率数据特点。 温度影响与 Arrhenius 方程简介。 实操：预测 25 ℃ / 80 ℃离子电导率。 实操：筛选高电导率候选固态电解质材料。
|
新能源材料综合案例：预测、解释与高通量筛选 目标：将模型应用到新能源材料真实案例，完成从性能预测到候选材料筛选的闭环 |
电池材料机器学习案例 | 锂离子电池正极材料：电压、容量、稳定性、能量密度。 数据字段：化学式、结构、形成能、电压、容量。 实操：预测正极材料平均电压或理论容量。 实操：筛选高电压/高容量候选材料。
|
电解液与固态电解质拓展 | 电解液：离子电导率、黏度、氧化稳定性、锂盐浓度。 固态电解质：电导率、稳定窗口、迁移能垒。 实操：把温度、组成、结构信息作为联合特征。 实操：筛选高电导率与高稳定性候选体系。
|
电催化材料机器学习案例 | HER / OER / ORR 与新能源转化。 指标：过电位、Tafel 斜率、电流密度、吸附能。 描述符：吸附能、d-band center、配位数、Bader 电荷。 实操：预测 HER/OER 活性，筛选低过电位催化材料。
|
钙钛矿太阳能材料案例 | 1. A/B/X 位组成、带隙、形成能与稳定性。 容忍因子、八面体因子与组成特征。 实操：预测钙钛矿材料带隙或稳定性。 实操：筛选适合太阳能吸收层的候选材料。
|
高通量筛选与主动学习 | 流程：候选库 -> 模型预测 -> 多指标排序 -> DFT/实验验证。 候选材料库：数据库、文献、元素替换、组合枚举。 多目标筛选：高性能、高稳定性、低成本、易合成。 Pareto front、主动学习、贝叶斯优化、Optuna 简介。 实操：从候选材料库中筛选 Top 20 新能源材料。
|
材料 AI 前沿与课题转化 | PyTorch、神经网络、GNN、CGCNN / MEGNet / SchNet 简介。 生成模型、LLM 文献挖掘、自驱动实验室。 如何把课程流程迁移到自己的课题。 如何把预测图、SHAP 图、筛选表用于论文或基金。
|
