本专题课程系统介绍了深度学习在结构拓扑优化中的前沿应用。课程分为四个专题，涵盖深度学习与拓扑优化基础理论、基于拓扑结构输入的特征预测、前馈深度学习模型优化方法，以及生成式模型与反向传播策略在多目标优化中的应用。通过TensorFlow等工具实操，学员将掌握从模型构建（MLP/CNN/U-Net/VAE/TNN）到优化实施的完整流程，包括拓扑数据生成、性能预测、结构优化等关键环节。课程注重理论与实践

本课程旨在系统性培养学生利用大语言模型（LLM）进行光学器件设计的理论基础、系统构建与工程实践能力，具体目标如下：(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；(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；(3)能够通过多轮对话控制与优化结

本文摘要：本课程系统讲授量子力学与材料计算的交叉应用，分为五天递进式教学。第一天搭建Python计算环境，掌握NumPy/Pandas数据处理；第二天详解第一性原理核心理论（薛定谔方程、Kohn-Sham方程）及石墨烯计算实战；第三天开展高通量计算与特征工程，结合pymatgen实现催化剂设计；第四天整合深度学习（CGCNN）与分子动力学模拟；第五天聚焦前沿应用，包括热电材料优化、位错模拟等。课程

本课程系统讲解AI4Science时代的分子动力学模拟方法，涵盖传统力场与机器学习力场技术。课程分为四部分：1）基础理论与主流分子模拟软件（LAMMPS/OpenMM/CP2K等）的实操；2）机器学习力场模型设计（DeePMD、图神经网络等）及DPGEN主动学习框架；3）等变模型（NequIP等）与高阶技术；4）前沿大模型（MACE、Allegro）与应用。通过案例对比传统与机器学习力场的差异，结

本文探讨机器学习在锂离子电池研究中的应用。主要内容包括：机器学习基础与Python工具介绍；监督/非监督学习在电池性能预测中的应用；深度学习技术（RNN、CNN、GNN等）在材料筛选和性能预测中的实践；机器学习与多尺度模拟、实验数据的结合；电池管理系统中的状态估计和寿命预测；以及大语言模型在电池文献数据提取和智能预测系统中的应用。通过多个实战案例，展示了机器学习如何优化电池材料设计、性能预测和管理

本课程系统介绍了固态电池研发中的计算模拟与机器学习方法。内容涵盖固态电池基础理论、关键挑战（界面稳定性、离子传导等），以及DFT、分子动力学等计算工具的应用。重点讲解机器学习在固态电池材料筛选、性能预测中的实践，包括特征工程、传统算法与深度学习模型构建，以及神经网络势函数加速分子动力学模拟。课程通过实操案例（如离子电导率预测、界面稳定性评估）演示了如何将多尺度模拟与机器学习结合，推动新型固态电解质

本次培训围绕增材制造（AM）技术展开系统教学，涵盖四大核心模块：1. AM技术原理与产业化挑战分析；2. COMSOL多物理场仿真在AM中的应用；3. 机器学习算法与AM工艺优化；4. 深度学习及前沿AI技术融合。课程通过13个实战案例，包括移动边界相变建模、随机森林工艺优化、相场法裂纹模拟等，深度解析AM全流程中的关键问题解决方案。特别强调数据驱动方法，建立从仿真建模、特征工程到智能决策的完整技

本文系统介绍了现代光学成像技术与深度学习的结合应用。内容涵盖光学成像基础理论、Python和深度学习环境搭建、多种高分辨成像技术实践（超分辨率、去模糊、去雾等）、计算光学成像逆问题求解（压缩感知、无透镜成像等）、遥感与地球观测技术（高光谱成像、TOF成像等），以及深度光学技术实践（HDR成像、超表面逆向设计等）。通过理论讲解与实操案例结合的方式，详细阐述了各项技术的原理、实现方法和评价指标，为光学

点击此链接，查看详情！

《固态电池计算模拟与机器学习培训课程摘要》 本课程系统介绍了固态电池研发中的计算模拟与机器学习方法。第一天讲解固态电池基础原理与关键挑战，并教授DFT计算和分子动力学模拟技术。第二天重点介绍机器学习基础、数据特征工程及Python工具应用。第三天深入讲解传统机器学习模型和深度学习在固态电池性能预测中的实践。第四天聚焦高通量筛选方法，指导新型材料发现与界面设计。第五天探讨神经网络势函数开发及多尺度模