通过"理论-案例"立体教学模式，系统培养催化材料与机器学习交叉领域的核心能力：将深入理解HER/OER等催化反应动力学原理，掌握线性回归、决策树、XGBoost及神经网络算法，并针对催化数据集完成特征选择、模型构建与超参数调优；传统DFT与实验数据的稀疏性、高噪声特性，催生了物理信息机器学习(Physics-Informed ML)的创新应用：通过嵌入质量守恒方程、过渡态理论等物理约束，模型在少量

主要介绍蛋白质设计的底层逻辑与基本规则，学习蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用分析、以及蛋白质功能注释和优化方法，掌握深度学习在蛋白质设计中的常见算法以及实际方法，培养学生具备基本的深度学习蛋白质设计能力和蛋白质人工智能应用的前沿视野，为参与解决生物医学、生物工程和生物能源等方面的重大问题提供更多机会。近年来，深度学习领域的迅速进步对蛋白质设计产生了显著影响。结合用于生成建模和

深度学习在蛋白质设计领域的应用可以加速药物研发和生物治疗等领域的研发进程。通过预测蛋白质的结构和功能，研究人员可以更快地筛选出具有潜在治疗价值的药物候选物

相信随着技术的不断进步和研究的深入，深度学习在流体科学中的应用前景将更加广阔。则深入探讨了AI模型在流体力学领域的前沿应用、科研论文和源代码剖析，包括流场识别、预测、重构与优化，基于U-Net架构的非均匀稳定层流近似方法，扩散模型驱动的流体力学方法，图神经网络在CFD模型预测中的应用等。学员们学习了OpenFOAM的编译、安装与运行，掌握了如何使用OpenFOAM进行流体仿真操作与数据采集，并通过

最近，深能法（DEM）被提出。该方法在涉及具有精细几何特征和集中载荷的域的具有挑战性的计算实验的正向计算方面提供了与有限元法（FEM）相当的结果，但还为解决超弹性背景下的逆问题和参数估计提供了独特的能力。利用自动微分技术精确计算能量泛函梯度，在实现层面，本小节系统讲解能量驱动损失函数的设计逻辑，包括如何应变能主导的物理约束与边界条件，通过弹性力学静动态问题、超弹性材料大变形等典型案例，课程对比能量

（1）分离解法的两种耦合方式：单向流固耦合（流场结果→结构场，无反向传递，适用于固体变形可忽略场景）、双向流固耦合（流场→结构场→流场的双向数据交换，适用于密度比相近/高速高压/大变形场景）；仿真收敛性表现：完美适配多物理场/流固耦合的非线性、多约束、高维特点，在PINN/DeepONet等AI仿真模型中，能快速最小化“数据损失+物理约束损失”的组合损失，有效避免局部最优，对静态/瞬态流固耦合、单

最后，通过编程实践，学员将能够利用Python和深度学习框架（如PyTorch）构建与训练疲劳与断裂分析模型，完成疲劳寿命预测、裂纹检测等任务，掌握深度学习驱动的端到端分析方法，同时掌握如何将DeepSeek技术与传统分析方法相结合，以实现更高效、更精准的疲劳与断裂分析。课程的前两天将聚焦于深度学习和疲劳断裂分析的基础理论，介绍深度学习的基本概念、神经网络架构及其在疲劳与断裂分析中的应用，帮助学员

1.理解代谢生理功能和代谢疾病，熟悉技术及其应用。2.了解代谢组学实验流程、数据处理技巧，以及色谱、质谱和LC-MS技术。3.熟悉关键代谢通路和数据库，利用R软件进行分析和可视化。4.理解机器学习在代谢组学中的作用，掌握R语言进行分析。5.使用R语言进行数据清洗与分析，通过文献解读和复现增强研究创新能力

主要介绍蛋白质设计的底层逻辑与基本规则，学习蛋白质结构预测、蛋白质序列设计、蛋白质-蛋白质相互作用分析、以及蛋白质功能注释和优化方法，掌握深度学习在蛋白质设计中的常见算法以及实际方法，培养学生具备基本的深度学习蛋白质设计能力和蛋白质人工智能应用的前沿视野，为参与解决生物医学、生物工程和生物能源等方面的重大问题提供更多机会。近年来，深度学习领域的迅速进步对蛋白质设计产生了显著影响。结合用于生成建模和

最近，深能法（DEM）被提出。该方法在涉及具有精细几何特征和集中载荷的域的具有挑战性的计算实验的正向计算方面提供了与有限元法（FEM）相当的结果，但还为解决超弹性背景下的逆问题和参数估计提供了独特的能力。利用自动微分技术精确计算能量泛函梯度，在实现层面，本小节系统讲解能量驱动损失函数的设计逻辑，包括如何应变能主导的物理约束与边界条件，通过弹性力学静动态问题、超弹性材料大变形等典型案例，课程对比能量