随着航空航天、汽车、能源、电子信息等领域对高性能材料需求的持续攀升，传统基于“试错法”的材料研发模式已难以满足现代工业对材料性能、研发周期和成本控制的综合要求。一方面，合金成分空间极为广阔—以高熵合金为例，其潜在成分组合近乎无限，传统实验方法无法系统遍历；另一方面，工艺参数（温度、时间、冷却方式等）与微观组织、宏观性能之间呈现出高度复杂的非线性关联，基于物理本构模型的计算耗时且难以覆盖实际工况多样性。材料领域亟需一种能够高效处理高维数据、捕捉复杂映射关系并指导逆向设计的新一代研究范式。
近年来，人工智能与材料科学的深度融合为合金设计与性能预测开辟了全新路径。以大型语言模型为底座的 AI 智能体（如 Cursor、Codex）正在重塑材料科研的工作流程：它们能够将自然语言描述的问题拆解为可执行的数据任务、自动生成高质量的数据处理与机器学习代码、辅助完成从数据清洗到模型训练的全链路分析，并在模型解释与优化设计环节提供可交互的智能支持。与此同时，材料领域顶刊持续刊发“机器学习+合金设计”、“AI+显微组织表征”、“数据驱动的高熵合金开发”等交叉研究成果，表明该方向已成为国际学术前沿。
在学科发展维度，材料信息学作为新兴交叉领域正蓬勃兴起，头部企业（航空材料、汽车用钢、高温合金、电池材料等）对既精通合金物理冶金基础，又熟练掌握机器学习、深度学习及 Python 开发的复合型人才需求迫切。为响应这一需求，培养具备“材料科学+AI+数据驱动设计”跨学科能力的复合型人才，特举办此次研修课程。本次培训会议主办方为 北京软研国际信息技术研究院，承办方为 互动派（北京）教育科技有限公司，具体通知如下：

适合对象：
材料科学与工程、金属材料、冶金工程、机械工程、航空航天材料、能源材料、电子信息材料等领域科研人员、高校研究生、企业材料研发工程师，以及希望将机器学习/深度学习及 AI 智能体技术引入合金设计与工艺优化的跨领域从业者。

AI智能体驱动的材料计算与智能设计

基础篇：AI智能体驱动的合金数据处理与科研编程
目标：理解Cursor与Codex的分工协作范式；能够独立使用Cursor拆解材料研究问题、使用Codex生成数据清洗与探索性分析代码；掌握合金成分、工艺参数、组织与性能数据的结构化处理方法；能够完成从原始文献数据到规范化数据集的完整流程
Agent 协作范式与合金数据规范化
核心内容
· Cursor与Codex的角色分工：问题拆解、代码生成、运行调试、结果核查等
· 材料预测任务定义：输入合金成分与工艺参数，输出组织类别、组织定量指标或力学性能
· 合金成分表示：质量分数/原子分数、主元素与微量元素、成分校验、缺失元素补零
· 工艺参数结构化：固溶/时效温度与时间、冷却方式、变形温度/量、应变速率及工艺顺序
· 组织与性能标签：相组成、组织类别、晶粒或板条尺度、相分数、强度、塑性、硬度
· 常见脏数据处理：单位不统一、同义命名、重复记录、缺失值、异常值及来源追溯
实操案例
· 使用Cursor将一个具体合金研究问题拆解为数据字段、预测目标和验证要求。
· 使用Codex生成并审查pandas数据清洗代码，完成单位统一、成分检查和重复值处理。
· 以钛合金或高熵合金样例数据建立数据字典，并保留原始值、清洗值和数据来源。

探索性分析与材料数据可视化
核心内容
· 描述性统计与数据分布：成分、工艺、组织和性能的范围、偏态及长尾。
· 成分—性能、工艺—组织和组织—性能的相关性探索，区分相关关系与因果解释。
· 合金体系与数据分组：按合金类别、热处理状态或文献来源比较分布差异。
· 材料数据可视化：散点图、箱线图、相关性热图、平行坐标图和成分—性能图。
· 识别样本稀疏区、异常记录和潜在数据泄漏，为数据划分与特征工程做准备。
实操案例
· 用 Codex 生成可复用的探索性分析脚本，并统一图形样式、坐标单位和图注。
· 对钛合金数据绘制工艺—组织—性能关系图；高熵合金数据绘制成分描述符与性能关系图。
· 让 Cursor 基于图表提出可检验的材料学假设，判断其合理性和证据边界。

建模篇：材料特征工程与机器学习预测
目标：掌握材料科学中成分、工艺、组织三类特征的工程化处理方法；能够独立完成训练集、验证集、测试集的科学划分；训练并评估3-4种经典机器学习模型，完成组织分类与性能回归任务；理解小样本、高维、共线性等材料数据典型问题的应对策略。
成分与工艺特征工程
核心内容
· 原始成分特征与统计描述符：原子半径、电负性、价电子浓度、混合熵等的均值与离差。
· 工艺参数特征化：温度、时间、冷却方式、变形量、应变速率及温度—时间组合特征。
· 组织信息的使用方式：作为预测目标、输入特征或连接工艺与性能的中间变量。
· 类别变量编码、缺失值处理、标准化及特征选择；所有预处理仅在训练集上拟合。
· 训练集、验证集和测试集划分：随机划分、按合金体系分组和按文献来源分组的差异。
· 小样本、高维、共线性和数据不平衡等材料数据典型问题。
实操案例
· 用 Codex 构建 sklearn Pipeline，统一封装缺失值、标准化、特征选择和模型。
· 分别构建钛合金成分—工艺特征和高熵合金成分描述符，并检查物理量单位与计算公式。
· 比较随机划分与分组划分的结果，识别同源样本泄漏造成的虚高性能。

组织与性能的传统机器学习预测
核心内容
· 任务选择：组织类别分类、组织参数回归、强度/塑性/硬度等性能回归。
· 基线模型：线性/岭回归、逻辑回归、支持向量机、随机森林、XGBoost 或梯度提升树。
· 评价指标：MAE、RMSE、R²、准确率、F1、混淆矩阵及材料任务中的含义。
· 交叉验证与超参数优化：优先采用简单、透明、可复现的搜索策略。
· 误差分析：按合金类别、工艺区间和性能区间分组定位模型薄弱区域。
· 模型保存、预测接口与运行环境记录，保证后续复现和优化调用。
实操案例
· 用 Codex 生成模型对比脚本，在同一数据划分上比较 3—4 种算法。
· 完成一个“成分+工艺→屈服强度/硬度”的回归任务和一个“成分+工艺→组织类别”的分类任务。
· 用 Cursor 整理误差最大的样本，并从数据质量、样本覆盖和材料机制三方面分析原因。

进阶篇：深度学习、组织表征与模型解释
目标：理解深度学习（MLP、CNN）在材料表格数据与显微组织图像中的应用原理；能够搭建轻量级神经网络并与树模型进行对比评估；掌握SHAP等模型解释工具，能够从材料学角度解读模型预测逻辑；建立适用域分析与模型可信度评价的基本框架。
深度学习与显微组织信息建模
核心内容
· 多层感知机用于成分—工艺表格数据：输入归一化、网络规模、正则化与早停。
· 深度学习与树模型的适用边界：样本量、特征类型、非线性表达和可解释性差异。
· 显微组织图像任务：组织类别识别、相分割、晶粒/板条特征提取及质量控制。
· 卷积神经网络与迁移学习基础；训练集增强与测试集隔离，避免同一样品图像泄漏。
· 多模态建模思路：成分、工艺与组织图像特征融合后预测性能。
· 图像模型结果必须回到材料对象、取样位置和显微尺度进行解释。
实操案例
· 用 Codex 搭建一个轻量 MLP，与第 2 天最佳树模型在相同数据划分上比较。
· 演示或实作显微组织图像分类/特征提取流程，检查数据增强与样品级划分逻辑。
· 利用 Cursor 梳理多模态数据的样品 ID、成分、工艺、图像和性能之间的对应关系。

模型解释、适用域与可信度评价
核心内容
· 全局与局部解释：特征重要性、置换重要性、SHAP 和偏依赖图。
· 材料学解释原则：相关性不等于机制；解释结果需与相变、强化和组织演化知识对照。
· 适用域分析：训练样本距离、特征空间覆盖、外推样本识别和预测警告。
· 不确定性来源：数据噪声、样本稀疏、模型差异与随机性；可用模型集成进行近似估计。
· 反事实与敏感性分析：在合理成分和工艺范围内观察预测响应，而非任意扰动。
· 失败案例审查：发现数据错误、伪相关、标签冲突和模型不稳定。
实操案例
· 对模块二最佳模型完成SHAP全局解释和典型样本局部解释
· 绘制关键元素或工艺参数的响应关系，并判断是否符合材料学常识。
· 建立简单适用域指标，对分布外候选发出警告；使用Cursor辅助撰写由人工审核解释报告。

设计篇：预测优化与合金智能设计
目标：掌握将训练好的模型封装为优化目标函数的方法；理解单目标与多目标优化的区别，能够生成Pareto候选方案；完成从问题定义到候选方案输出的端到端综合实战项目；建立“模型输出是待验证候选、不是最终结论”的科学认知。
代理模型与成分—工艺协同优化
核心内容
· 正向预测与逆向设计：模型给出预测，优化算法负责搜索，材料约束负责筛选。
· 设计变量与约束：成分上下限、成分和、工艺可行区间、成本、密度和相稳定性等。
· 单目标与多目标优化：强度最大化、塑性保持及强塑性协同的 Pareto 前沿。
· 搜索方法：网格/随机搜索、遗传算法和贝叶斯优化的基本思想与适用场景。
· 候选排序不仅依据预测均值，还应考虑不确定性、适用域和与已有样本的距离。
· 结果定位：模型输出是待验证候选，不是未经实验即可确认的新合金结论。
实操案例
· 用 Codex 将已训练模型封装为优化目标函数，并加入成分和与工艺边界约束。
· 以钛合金“强度—塑性协同”或高熵合金“硬度—密度协同”为例生成 Pareto 候选。
· 使用Cursor组织候选审查清单，从物理合理性、外推风险和实验可实施性筛选 Top-N。

综合实战与成果汇报
核心内容
· 综合项目流程：问题定义—数据审查—特征工程—模型训练—误差与解释—优化设计。
· 项目选题 A：钛合金成分与热处理工艺到组织类别和力学性能预测。
· 项目选题 B：高熵合金成分描述符与工艺到相组成、硬度或强度预测。
· Cursor/Codex 协同记录：提示、代码改动、运行结果、人工判断和失败迭代均可追溯。
· 课程总结：如何将本流程迁移到自己的合金体系与研究课题。
实操案例
· 完成一个端到端项目，提交可运行代码、模型结果、解释图和候选方案。