https://mp.weixin.qq.com/s/mDtP8b3GxLH_YA5zmFMsrQ 点击此链接查看详情！
第一天：固态电池基础与计算模拟实践
上午：固态电池基础与机器学习应用概览
1.1 固态电池核心知识
基本构成：正极、负极、固态电解质、界面。
固态电解质分类（聚合物、氧化物、硫化物）与关键性能指标。
核心挑战：界面稳定性、离子电导率、循环寿命。
案例：商业化固态电池实例与性能瓶颈。
1.2 机器学习在固态电池研发中的作用
传统研发流程vs. 机器学习加速研发流程。
机器学习在固态电池领域的典型应用场景。
成功案例：机器学习发现新型电解质材料、预测界面稳定性。
1.3 软件环境配置与验证
实操：Python环境配置（Anaconda, Jupyter Notebook）。
实操：安装并测试关键库（Numpy, Pandas, Scikit-learn, Pymatgen, ASE, Matplotlib）。
实操：VASP/LAMMPS环境检查与示例运行。
实操：下载课程数据集与示例代码。
下午：DFT与MD计算实践
1.4 DFT计算固态电解质性质
快速回顾：DFT基本原理。
实操：VASP输入文件结构解析（INCAR, POSCAR, KPOINTS, POTCAR）。
实操：运行VASP计算LLZO固态电解质的晶格常数和形成能。
实操：使用Pymatgen/ASE读取VASP输出文件（OUTCAR, vasprun.xml）。
实操：使用VESTA可视化晶体结构和电荷密度。
练习：计算不同固态电解质材料的形成能并比较。
1.5 MD模拟离子扩散行为
快速回顾：MD基本原理。
实操：LAMMPS输入文件结构解析（数据文件、势函数、模拟参数）。
实操：运行LAMMPS模拟LLZO中Li离子的扩散。
实操：使用Python分析MD轨迹：计算均方位移（MSD）和扩散系数。
实操：使用VMD/Ovito可视化离子扩散轨迹。
练习：改变温度参数，观察对离子扩散系数的影响。
第二天：Python数据处理与特征工程实战
上午：Python科学计算与数据处理
2.1 2.1 Numpy与Pandas实战
快速回顾：Numpy数组操作基础。
实操：使用Numpy处理DFT计算的能量数据（数组创建、索引、运算）。
实操：使用Pandas读取固态电解质性能数据集（CSV/Excel）。
实操：数据清洗：处理缺失值、异常值、重复值。
实操：数据筛选、分组、统计分析（groupby, describe）。
练习：分析不同类型固态电解质的离子电导率分布。
2.2 数据可视化实战
实操：Matplotlib绘制散点图、折线图、柱状图。
实操：Seaborn绘制相关性热力图、分布图、箱线图。
实操：可视化固态电解质性能数据：离子电导率vs. 温度、成分。
实操：多子图布局与图表美化。
练习：创建固态电池材料性能对比图表。
2.3 机器学习基础概念
监督学习vs. 无监督学习：回归、分类、聚类。
训练集、验证集、测试集划分。
模型评估指标：R2, MAE, MSE, RMSE, 准确率, F1-score。
过拟合与欠拟合：如何识别与避免。
下午：固态电池特征工程实战
2.4 材料结构信息提取
快速回顾：为什么需要特征描述符？
实操：使用Pymatgen从CIF文件读取晶体结构。
实操：提取基本结构信息：晶格参数、空间群、密度、体积。
实操：使用ASE从POSCAR文件读取结构并进行操作。
实操：计算元素组成特征：元素比例、平均原子质量。
练习：批量处理多个固态电解质结构文件并提取特征。
2.5 元素与化学特征构建
实操：使用Pymatgen获取元素属性（电负性、原子半径、价态）。
实操：构建组成特征：加权平均、标准差、最大值、最小值。
实操：构建化学式特征：氧化态、配位数。
实操：使用Matminer自动生成材料特征（composition-based features）。
练习：为给定的固态电解质材料构建完整的特征向量。
2.6 从DFT结果提取特征
实操：使用Pymatgen从vasprun.xml提取能量、应力、力。
实操：提取电子结构信息：带隙、态密度、费米能级。
实操：构建DFT衍生特征：形成能、分解能、电化学窗口。
练习：整合结构特征和DFT特征，构建机器学习数据集。
第三天：机器学习模型构建与性能预测实战
上午：传统机器学习模型实战
3.1 回归模型预测离子电导率
任务说明：基于固态电解质特征预测离子电导率。
实操：加载并探索数据集（数据分布、相关性分析）。
实操：数据预处理：特征标准化/归一化（StandardScaler, MinMaxScaler）。
实操：划分训练集、验证集、测试集。
实操：使用Scikit-learn构建线性回归模型并训练。
实操：使用随机森林回归模型并对比性能。
实操：模型评估：计算MAE, MSE, RMSE, R²。
实操：可视化预测结果：真实值vs. 预测值散点图、残差图。
实操：特征重要性分析：哪些特征对离子电导率影响最大？
练习：尝试支持向量机回归（SVR）并比较三种模型性能。
3.2 分类模型预测界面稳定性
任务说明：预测电极/电解质界面是否稳定（10分钟）。
实操：加载界面稳定性数据集（标签：稳定/不稳定）。
实操：数据预处理与类别分布检查。
实操：使用Scikit-learn构建逻辑回归分类模型。
实操：使用随机森林分类模型并对比。
实操：模型评估：准确率、精确率、召回率、F1-score。
实操：绘制混淆矩阵和ROC曲线。
实操：处理类别不平衡：SMOTE过采样技术。
练习：尝试决策树和梯度提升模型（XGBoost）。
下午：深度学习模型实战
3.3 神经网络基础与PyTorch/TensorFlow入门
快速回顾：神经网络基本结构。
实操：PyTorch/TensorFlow张量操作基础。
实操：构建简单的全连接神经网络（定义层、激活函数）。
实操：定义损失函数（MSE, CrossEntropy）和优化器（Adam, SGD）。
实操：训练循环：前向传播、反向传播、参数更新。
实操：可视化训练过程：损失曲线、准确率曲线。
3.4 深度学习预测固态电池性能
任务：使用多层感知机（MLP）预测固态电池循环寿命。
实操：数据准备：加载数据并转换为PyTorch/TensorFlow格式。
实操：设计MLP架构：输入层、隐藏层（2-3层）、输出层。
实操：训练模型并监控验证集性能。
实操：超参数调优：学习率、批次大小、隐藏层神经元数量。
实操：使用早停（Early Stopping）防止过拟合。
实操：模型评估与可视化预测结果。
练习：尝试不同的网络架构和激活函数（ReLU, Tanh, LeakyReLU）。
3.5 模型对比与选择
实操：对比传统机器学习与深度学习模型的性能。
讨论：何时使用传统机器学习？何时使用深度学习？
实操：模型保存与加载（joblib, pickle, PyTorch save/load）。
练习：为自己的固态电池数据选择最佳模型。
第四天：材料数据库应用与高通量筛选实战
上午：Material Project数据库与Matminer实战
4.1 Material Project数据库应用
快速介绍：Material Project数据库的价值与应用。
实操：注册并获取MP API密钥。
实操：使用MP API查询固态电解质材料（按化学式、空间群）。
实操：提取材料的结构、能量、带隙、形成能等信息。
实操：批量下载特定类型材料的数据（如含Li的氧化物）。
实操：将MP数据转换为Pandas DataFrame格式。
练习：查询并下载所有LLZO类固态电解质的数据。
4.2 Matminer特征生成实战
实操：Matminer库介绍与安装验证。
实操：使用Matminer从化学式生成组成特征（ElementProperty）。
实操：使用Matminer从结构生成结构特征（SiteStatsFingerprint, StructuralHeterogeneity）。
实操：使用Matminer生成电子结构特征（BandCenter, Cohesive Energy）。
实操：批量为MP数据集生成特征矩阵。
实操：特征选择：去除低方差特征、相关性分析。
练习：为下载的固态电解质数据生成完整的特征集。
下午：机器学习加速材料筛选实战
4.3 高通量筛选固态电解质
任务：从MP数据库中筛选高性能固态电解质候选材料。
实操：定义筛选标准（高离子电导率、宽电化学窗口、低成本）。
实操：使用前面训练的机器学习模型预测MP数据库材料的性能。
实操：根据预测结果筛选候选材料（Top 50）。
实操：可视化筛选结果：性能分布、成分分布。
实操：对候选材料进行排序和优先级评估。
实操：导出候选材料列表及其结构文件（CIF）。
练习：调整筛选标准，探索不同的候选材料集。
4.4 界面稳定性预测与组合筛选
快速回顾：界面反应机制与影响因素（10分钟）。
实操：构建电极-电解质界面特征描述符。
实操：使用机器学习模型预测界面形成能。
任务：发现稳定的电极-电解质界面组合。
实操：构造电极-电解质组合矩阵（如10种电极 × 20种电解质）。
实操：批量预测所有组合的界面稳定性。
实操：筛选稳定界面组合（Top 20）。
实操：可视化界面稳定性矩阵（热力图）。
实操：案例分析：选择一个稳定组合，分析其结构和化学特性。
练习：结合DFT验证筛选出的界面组合。
第五天：神经网络势函数与多尺度模拟实战
上午：机器学习势函数实战
5.1 神经网络势函数基础
快速回顾：传统势函数的局限性（10分钟）。
神经网络势函数（NNP）的基本原理与优势。
Deepmd-kit与MACE工具介绍。
NNP在固态电池研究中的应用案例。
5.2 Deepmd-kit训练数据准备
实操：理解NNP训练数据格式（能量、力、应力、坐标）。
实操：从VASP DFT计算结果提取训练数据。
实操：使用dpdata库转换VASP输出为Deepmd-kit格式。
实操：数据集划分：训练集、验证集、测试集。
实操：数据集质量检查：能量分布、力分布、结构多样性。
练习：为LLZO固态电解质准备完整的训练数据集。
5.3 Deepmd-kit模型训练
实操：理解Deepmd-kit配置文件结构（input.json）。
实操：设置模型参数：网络架构、训练参数、截断半径。
实操：启动模型训练并监控训练过程。
实操：评估模型准确性：能量误差、力误差与DFT对比。
实操：模型优化：调整超参数提高精度。
练习：训练不同配置的NNP模型并比较性能。
下午：NNP加速MD模拟与综合应用
5.4 基于NNP的大规模MD模拟
实操：将训练好的Deepmd-kit模型集成到LAMMPS。
实操：设置基于NNP的LAMMPS输入文件。
实操：运行大规模MD模拟（更大体系、更长时间）。
实操：分析MD模拟结果：离子扩散系数、径向分布函数。
实操：可视化离子扩散轨迹和结构演化。
实操：对比传统势函数MD与NNP-MD的结果差异。
练习：使用NNP-MD研究不同温度下的离子输运行为。
5.5 多尺度研究策略综合实践
案例：完整的固态电池材料研发流程演示。
实操：DFT计算 → 特征提取 → 机器学习预测 → 高通量筛选。
实操：NNP训练 → 大规模MD模拟 → 性能评估。
实操：整合多种方法的结果，形成材料设计建议。
讨论：如何将计算预测结果与实验验证结合。
5.6 课程总结与未来展望
回顾：五天课程核心内容与技能总结。
固态电池材料研发的前沿趋势：
自动化工作流（AiiDA, FireWorks）。
主动学习（Active Learning）加速材料发现。
AI驱动的实验设计与机器人实验室。
大语言模型在材料科学中的应用。
学员项目讨论：如何将所学应用到实际研究中。
Q&A与课程反馈。
部分案例图片：
