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

【机器学习赋能合金设计专题课程】该线上课程（2026.5.16-24）由国内顶尖专家主讲，系统讲解机器学习在合金研发中的应用。课程包含四大模块：1）前向预测建模，构建成分-工艺-性能的代理模型；2）逆向设计方法，通过优化算法实现性能导向的成分筛选；3）主动学习策略，解决小样本条件下的性能极值探索；4）多模态数据融合，实现工程约束下的系统化设计。通过14个案例实践（涵盖镁合金、铜合金等），学员将掌握

《深度学习驱动MOF材料智能研发》课程聚焦AI技术在金属-有机框架材料领域的创新应用。通过四天系统培训，学员将掌握从分子模拟到AI逆向设计的全链条技术，包括16个Python实战案例（如GCMC模拟、GNN建模、贝叶斯优化等）。课程由顶级期刊发文专家授课，内容涵盖MOF结构解析、性能预测、生成式设计及自主合成系统构建，助力突破传统研发效率瓶颈。1980元录播课程提供完整资料与社群答疑，适合材料与A

本文介绍了大模型PINN专题课程的核心内容，涵盖理论、实践与前沿应用。课程从微分方程基础到深度学习框架，系统讲解PINN（物理信息神经网络）理论及实现方法，包括强形式、变分形式等不同求解策略。重点培养学员基于PyTorch/DeepXDE等工具构建PINN模型的能力，覆盖流体力学、固体力学等领域的前沿应用场景。课程特色在于结合顶刊论文复现与工业级案例实践，通过对比传统数值方法与PINN的差异，揭示

本文介绍了大模型PINN专题课程的核心内容，涵盖理论、实践与前沿应用。课程从微分方程基础到深度学习框架，系统讲解PINN（物理信息神经网络）理论及实现方法，包括强形式、变分形式等不同求解策略。重点培养学员基于PyTorch/DeepXDE等工具构建PINN模型的能力，覆盖流体力学、固体力学等领域的前沿应用场景。课程特色在于结合顶刊论文复现与工业级案例实践，通过对比传统数值方法与PINN的差异，揭示

本文介绍了一个为期五天的深度学习与第一性原理计算融合课程。课程内容涵盖：1）量子力学基础理论和DFT计算原理；2）材料建模与电子结构计算全流程；3）材料特征工程与机器学习建模；4）CGCNN网络搭建与分子动力学分析；5）多物理场耦合和缺陷体系等综合应用。通过Python编程、pymatgen等工具，结合20+实际案例，系统培养学员在材料计算与性能预测方面的能力。课程由在Advanced Mater