AI 在聚合物及复合材料领域的理论基础和应用概述传统机器学习，深度学习和生成式 AI 方法概述AI for 聚合物（及复合材料）研究的核心问题（聚合物多层次结构表示、性能预测、结构设计等）聚合物研究的 AI 方法论框架4.1 数据驱动与机理驱动的协同（第一性原理到领域知识）4.2 聚合物智能创制研究全流程：从数据到模型，从预测到设计。

1.机器学习在先进复合材料中的应用概述2.机器学习用于聚合物及其复合材料研究的流程3.数据机理协同驱动机器学习方法概述4.基于物理机理的能量等效原理在纤维增强复合材料性能研究中的应用5.数据机理协同驱动机器学习算法模型构建介绍6.常用机器学习模型入门介绍实例：展示不同的机器学习算法（如 BP 神经网络、SVR、CNN、DTR、RF）在复合材料性能预测中的应用，以及如何利用机器学习模型预测复合材料在

电池的工作原理与关键性能指标电池管理系统的核心功能 SOC 估计 SOH 估计 寿命预测 故障诊断。

智能光学计算成像是一个将人工智能（AI）与光学成像技术相结合的前沿领域，它通过深度学习、光学神经网络、超表面光学（metaphotonics）、全息技术和量子光学等技术，推动光学成像技术的发展。以下是智能光学计算成像的一些关键进展和应用：光纤成像：深度学习在光纤成像中的应用进展显著，包括通过条件生成对抗网络实现高速多模光纤成像系统光谱成像：当前的光谱成像技术包括多通道滤光片、基于深度学习和波长响应

第一性原理、分子动力学与机器学习三者的交汇融合已在相关研究领域展现强劲的研究热潮。借助第一性原理计算揭示材料内在的量子特性，并结合分子动力学模拟探究材料在实际环境下的动态行为；运用机器学习算法与上述方法结合，开发高性能预测模型与模拟工具，能有效缩短研发周期，降低计算成本，实现对新型化合物性质的高精度预测。“ 第一性原理+ 分子动力学+ 机器学习”三位一体的综合手段 ，已经成为模拟计算的一个前沿方向

在深度学习与岩土工程融合的背景下，科研的边界持续扩展，创新成果不断涌现。从基本物理模型的构建到岩土工程问题的复杂模拟，从数据驱动的分析到工程问题的智能解决，深度学习正以前所未有的动力推动岩土工程领域的革新。适合对象 ：地质学、建筑科学与工程、矿业工程、安全科学与灾害防治、公路与水路运输、水利水电工程、石油天然气工业、地球物理学、环境科学与资源利用、自动化技术等领域的科研人员、工程师、及相关行业从业

授课讲师有着丰富的分子动力学与机器学习的使用经验，在《Nature Comunications》、《ACS Applied Materials & Interfaces》 、《Journal of Colloid and Interface Science》 、《Chemistry of Materials》、《Energy Storage Materials》等国际顶级期刊发表论文五十篇。S2.

在人工智能与计算电磁学的融合背景下，电磁学的研究和应用正在经历一场革命。计算电磁学是研究电磁场和电磁波在不同介质中的传播、散射和辐射等问题的学科，它在通信、雷达、无线能量传输等领域具有广泛的应用。随着人工智能技术的发展，这一领域正迎来新的机遇和挑战。适合计算机科学与工程、电气工程、通信工程、电力工程、物理学、电子工程、材料科学、工业通用技术、汽车工程、微波工程、机械工程等领域的科研人员、工程师、及

适合从事结构设计、可靠性分析、仿真优化的工程技术人员、机械工程、航空宇航、可靠性工程、优化算法等研究领域的高校研究生、从事高端装备系统设计与可靠性评估的科研人员、负责产品研发流程、可靠性保障与多学科协同优化的管理人员等。国家需求层面，我国《“十四五”智能制造发展规划》提出了“大力发展智能制造装备重要任务，主要包括基础零部件和装置、通用智能制造装备、专用智能制造装备以及融合了数字孪生、人工智能等新技

随着基础设施、地下空间开发、边坡工程、能源地下结构等领域的快速发展，岩土工程面临越来越复杂的多场耦合（渗流-应力-温度-化学）、非线性本构、大变形及多尺度力学问题。传统数值方法（有限元、有限差分）在处理复杂本构模型、参数反演、不确定性分析时存在计算成本高、网格依赖性强、参数校准困难等瓶颈。同时，现场监测数据与室内实验数据日益丰富，如何融合数据驱动与物理机制实现高效正反分析，成为岩土力学计算前沿的核