3. 熟悉多种AI技术在流体力学中的应用：培训中将介绍多种AI技术，如物理信息神经网络（PINN）、深度强化学习、图神经网络（GNN）、Vision Transformer（ViT）、神经常微分方程（Neural ODE）、扩散模型、神经算子（Neural Operator）等，并深入剖析其在流体力学问题中的应用，帮助学员拓宽技术视野。研究方向包括：理论流体力学、智能材料、智能流体力学的量子计算、

本文系统介绍了物理信息神经网络（PINN）的理论框架与实践应用。课程涵盖偏微分方程数值解基础、深度学习算法原理，重点讲解PINN在流体力学、固体力学等领域的创新应用，包括Navier-Stokes方程求解、材料参数反演等前沿课题。通过PyTorch/DeepXDE/SciANN等工具实现谐振子、渗流等典型案例，解析顶刊论文中的自适应采样、傅里叶特征等关键技术。课程还涉及量子计算入门和大模型辅助编程

《机器学习赋能混凝土材料性能预测与优化》课程摘要 本课程系统介绍机器学习在混凝土材料领域的创新应用，涵盖从数据预处理到模型优化的全流程。课程内容包括：线性/非线性回归模型（KNN、SVM、随机森林等）、神经网络（MLP）、集成学习方法及物理驱动神经网络（PINNs）在混凝土强度预测中的应用；重点讲解特征工程、超参数优化（贝叶斯优化）和模型可解释性分析（SHAP方法）；通过实际案例演示如何利用机器学

【AI流体力学仿真专题培训摘要】 课程时间：2026年3-4月分三期线上授课（腾讯会议+视频回放）。由985高校专家主讲，聚焦AI与CFD融合技术，涵盖： 核心技术：PINN、GNN、扩散模型等AI方法在OpenFOAM/Fluent中的应用，实现流场重建、湍流建模和智能控制； 工具实战：Python+PyTorch/TensorFlow处理CFD数据，结合DeepSeek/通义千问大模型实现自然

这种结合能够充分发挥不同方法的优势，机器学习强大的数据处理和模式识别能力，可挖掘催化过程中的隐藏规律，第一性原理则能从量子力学层面揭示催化反应的本质，实验数据为模型提供真实可靠的验证基础。通过 Python 语言基础与机器学习算法的专项学习，学员不仅能够清晰梳理机器学习从萌芽到蓬勃发展的历史脉络，洞悉其在信息时代于不同领域的多样化表现形式，更将通过实践操作，切实掌握将机器学习技术应用于科学研究的关

摘要：该机器学习钙钛矿设计课程系统讲解机器学习在钙钛矿材料研究中的应用，涵盖监督学习、集成学习、无监督学习及图神经网络等核心算法。课程通过理论讲解与实操结合，指导学员掌握钙钛矿数据预处理、特征工程、模型构建与优化等全流程技能，重点应用于性能预测、无铅材料筛选和界面钝化等研究场景。由经验丰富的李老师授课，帮助学员运用机器学习加速钙钛矿太阳能电池研发，提升科研成果产出能力。课程特色包括材料数据特异性处

本专题课程系统介绍深度学习在超材料逆向设计中的应用，内容包括超材料理论基础、深度学习模型（MLP、CNN、PINN等）、数据集自动生成方法（COMSOL+MATLAB）以及参数与拓扑设计实践。通过5天的理论讲解与14个实操案例，学员将掌握超材料带隙计算、正向预测建模、参数反设计和拓扑优化等核心技术。课程由985高校专家主讲，分享完整代码与数据集，帮助学员实现"物理+算法"的跨学

本课程系统阐释金属-有机框架(MOF)材料的智能化研发全流程，融合理论计算、机器学习与自动化合成技术。课程内容包括：MOF结构与分子模拟理论（第一性原理计算、GCMC模拟）；机器学习方法（特征工程、随机森林、GNN）；逆向设计技术（生成模型、贝叶斯优化）；以及自主材料研发系统的构建（多目标优化、闭环控制）。通过16个Python实战案例，学员将掌握从分子设计到机器人合成的核心技能，实现"

本课程系统讲解弹性波超材料与深度学习的融合应用。专题一介绍超材料带隙特性及建模方法，结合COMSOL软件进行频域/时域分析，并讲解深度学习基础模型及PINN网络在色散预测中的应用。专题二重点阐述数据集自动生成技术，通过COMSOL与MATLAB集成实现参数化建模。专题三探讨超材料性能的正向预测方法，包括SVM、MLP和CNN模型的应用。专题四和五分别讲解参数反设计和拓扑优化设计，涵盖TNN、CGA

摘要：本课程系统讲解深度学习在电磁材料设计中的应用，涵盖CNN、U-Net、DiNN、PINN、GAN等核心技术。课程采用"理论+实操"模式，通过PyTorch实现电磁响应预测、逆向设计等任务，重点解决传统电磁仿真计算成本高的问题。内容包含：1）基础模块（CNN原理、FDTD仿真）；2）核心算法（U-Net场预测、DiNN差分学习、PINN物理约束、GAN逆设计）；3）多尺度建