第一天：声学超材料的基本理论。第五天：深度学习在声学超材料结构设计方面的应用。2.1基于COMSOL的声学超材料仿真案例。9.1马尔可夫链蒙特卡罗方法（MCMC）4.深度学习在声学超材料应用中的案例分析。7.1混合模型与期望最大化算法（EM）2.1深度学习在声学超材料设计中的应用。3. 深度学习在声学超材料制造中的应用。2. 深度学习在声学超材料中的应用。1.1建立声学超材料的三维模型。8.1隐马

1.神经网络基础： 感知器、多层感知器（MLP）、激活函数（ReLU, Sigmoid, Tanh）、损失函数、梯度下降与反向传播。2.2结构特征： 晶格参数、空间群、原子坐标、配位数、键长键角分布、Voronoi多面体分析、径向分布函数（RDF）信息等。1.2分类：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、ROC曲线与AUC。3.总结与展望： 机

课程内容将深入探讨有限元方法的基本原理，并结合 Python 、ABAQUS深度学习有限元方法和 FEniCS 实现偏微分方程的求解，以确保学员能够扎实理解有限元分析的基础。除此之外，课程还将探索如何应用深度学习模型（如卷积神经网络）增强有限元分析的能力，特别是在复杂材料、非线性特征和几何问题中的应用。深度学习有限元分析主讲老师：来自国内顶尖985院校应用数学、计算数学、材料科学和流体力学专业，擅

1.神经网络基础： 感知器、多层感知器（MLP）、激活函数（ReLU, Sigmoid, Tanh）、损失函数、梯度下降与反向传播。2.2结构特征： 晶格参数、空间群、原子坐标、配位数、键长键角分布、Voronoi多面体分析、径向分布函数（RDF）信息等。1.2分类：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、ROC曲线与AUC。3.总结与展望： 机

分为如下几个部分：首先系统讲解线性模型家族的理论体系，从线性回归的解析解推导、逻辑回归的交叉熵损失函数，拓展到Softmax回归在多分类任务中的概率建模机制，着重分析激活函数在非线性映射中的关键作用；接着深入探讨更多的材料机器学习的常见技术路径，比如通过决策树的特征分裂可视化与SHAP值分析，揭示材料性能与微观结构的内在关联规律；分为如下几个部分：首先解析无监督学习的核心范式，对比K-Means聚

2.掌握利用深度学习从成像设备优化设计、典型计算成像任务以及后端的计算机视觉任务的认知框架，并掌握对相应计算成像技术发展现状和任务执行能力。（分享课程涉及的所有数据集、代码）1.掌握深度学习算法的原理和应用，剖析计算成像主流研究范围及关联的统一计算范式，能够运用深度学习技术对光学成像系统进行创新设计和优化。（分享课程涉及的所有数据集、代码）4.通过多个案例的讲解，让学员能够熟练的做自己的科研项目。

5.案例11：二氧化碳还原反应的催化剂设计、选择与催化剂性能相关的特征（如电子结构、表面性质等）、使用Scikit-Learn 搭建线性回归、决策树等模型、通过交叉验证评估模型的预测性能、用机器学习预测二氧化碳还原催化剂的少特征模型。2.案例21：螺位错的第一性原理-相场方法生成与模拟：模拟晶体中螺位错的运动与相互作用，揭示其对材料塑性变形的影响机制。3.案例19：相变材料的计算与预测：结合分子动

结合Mg合金可工业化生产的成分范围（如总合金元素含量上限）及热挤压工艺窗口（如温度上下限、设备能力限制）等工程约束，对模型的“数学可行解空间”进行裁剪，定义出物理上可实现、工艺上可操作的“工程可行设计域”。4. 习得多模态数据融合与面向工程的系统化设计能力：初步掌握融合成分、工艺、显微组织图像等多源异构数据的建模方法，并能够针对复杂的工程约束（如成本、多性能平衡、小样本）进行集成优化设计，最终形成

1.掌握深度学习算法的原理和应用，剖析计算成像主流研究范围及关联的统一计算范式，能够运用深度学习技术对光学成像系统进行创新设计和优化。2.掌握利用深度学习从成像设备优化设计、典型计算成像任务以及后端的计算机视觉任务的认知框架，并掌握对相应计算成像技术发展现状和任务执行能力。（分享课程涉及的所有数据集、代码）3.通过顶刊论文复现带着学员手把手操作，让学员详细的学会顶刊写作思路。（分享课程涉及的所有数

(2)理解光学结构的语义描述体系，学会将自然语言与结构参数进行映射与对齐熟悉 Prompt 工程的设计原则，具备基于指令生成光学结构的能力；(1)掌握大语言模型的基本结构与工作原理，包括 Transformer 架构、Token 表达与生成式建模机制；2026.05.16---2026.05.17（上午09:00-11:30下午13:30-17:00）(4)掌握大语言模型与FDTD仿真平台的集成方