拓扑优化、遗传算法、深度学习等逆向设计方法，正在替代传统的手动试错，赋能科研人员探索远超人类直觉的复杂电磁结构，催生出一系列具有突破性性能的超构透镜、全息、成像器件，并多次发表于《Nature》、《Science》等顶级期刊。国家战略层面，我国在人工智能、光计算、量子信息、高端光学仪器等领域的宏伟蓝图，对兼具“深厚物理背景”与“先进算法实践能力” 的复合型顶尖人才提出了迫切需求。2）仿真流程闭环：

随着航空航天、轨道交通、海洋工程等高端装备领域向着高参数、长寿命、高可靠性的方向飞速发展，金属结构所承受的载荷工况愈发严苛，其疲劳失效已成为威胁结构安全的核心问题。多物理场感知与人工智能技术的融合，正为结构疲劳领域带来革命性变革—通过“物理机理驱动+数据智能赋能”的融合范式，实现从“被动安全校核”到“主动寿命预测与健康管理”的跨越。国际前沿方面，顶级期刊持续重点关注“能量法疲劳理论”、“数据驱动寿

适合对象：材料科学与工程、金属材料、冶金工程、机械工程、航空航天材料、能源材料、电子信息材料等领域科研人员、高校研究生、企业材料研发工程师，以及希望将机器学习/深度学习及 AI 智能体技术引入合金设计与工艺优化的跨领域从业者。

适合对象：材料科学与工程、金属材料、冶金工程、机械工程、航空航天材料、能源材料、电子信息材料等领域科研人员、高校研究生、企业材料研发工程师，以及希望将机器学习/深度学习及 AI 智能体技术引入合金设计与工艺优化的跨领域从业者。

 实例 六 ：基于 N PINN 的纤维增强复合材料强度性能预测—搭建 PINN 框架，将复合材料力学控制方程（如本构关系）编码为损失函数的一部分，实现物理约束下的深度学习模型训练，预测材料不同服役条件下的强度性能。 实例一：不同机器学习模型在复合材料性能预测中的对比—使用公开数据集，在 Python 中分别实现线性回归、决策树、随机森林等模型，对比各模型在预测纤维增强复合材料拉伸模量时的表现

从复合材料性能的精确预测到复杂材料结构的智能设计，从数据驱动的材料结构优化到多尺度分析，人工智能技术正以其强大的数据处理能力和模式识别优势，推动复合材料领域的技术进步。适合材料科学、电力工业、航空航天科学与工程、有机化工、无机化工、建筑科学与工程、自动化技术、工业通用技术、汽车工业、金属学与金属工艺、机械工业、船舶工业等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。数据驱动的材料发现

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

一、 培训背景：随着航空航天、汽车、能源、电子散热等领域对流体系统性能要求的不断提升，传统基于经验修正和稳态假设的 CFD 分析方法已难以满足复杂工况下的高效精准设计需求。一方面，湍流、多相流、流固耦合等非线性物理过程高度复杂，高保真数值模拟计算成本极为昂贵；另一方面，工业界对流动主动控制、快速参数优化、实时流场重构等提出了更高要求，亟需引入数据驱动与物理信息融合的新一代计算范式。

随着航空航天、轨道交通等领域对复合材料结构轻量化、高强度、耐高温等性能需求的提升，传统基于经验公式和等效均匀化理论的力学分析方法已难以满足复杂工况下的精准设计需求。一方面，复合材料微观结构（纤维随机分布、界面结合状态等）对其宏观力学性能具有决定性影响，但多尺度耦合机理复杂，全参数空间探索计算成本高昂；另一方面，工业界对复合材料构件的失效预测、寿命评估等提出了更高要求，亟需引入数据驱动与物理信息融合

论文来源：Scientific Reports（2026, 16:16382）研究主题：结合数值模拟 (CFD)、实验测试与机器学习 (ML)，探究不同浓度Al2O3（氧化铝）- 乙二醇 (EG) 纳米流体对汽车散热器冷却性能的提升效果，并建立性能快速预测模型。该研究补齐了乙二醇基氧化铝纳米流体在汽车散热器领域的研究短板，通过 “仿真 - 实验 - 机器学习” 融合方案，完整验证了纳米流体的热、水