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。

随着航空航天、新能源等领域对复合材料性能需求的升级，传统“试错法”研发模式面临瓶颈：微观结构设计依赖经验、多尺度耦合机理不透明、全参数空间探索计算成本高昂。与此同时，人工智能与高性能计算的融合为材料科学提供了新范式——通过构建“物理仿真+数据驱动”的混合模型，实现材料性能的精准预测与设计优化。国际趋势方面，Nature 等顶尖学术期刊持续聚焦“多尺度建模”、“AI+复合材料”等交叉研究前沿，ABA

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

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。

在深度学习与流体力学深度融合的背景下，科研边界不断拓展，创新成果层出不穷。从物理模型融合到复杂流动模拟，从数据驱动研究到流场智能分析，深度学习正以前所未有的力量重塑流体力学领域。

递进式案例实践教学：通过包络谱分析轴承故障、1D-CNN 自动特征提取、LSTM 寿命预测、DANN 跨域。二、基于 PYTORCH 版基于注意力机制的小样本故障诊断的 1D-Grad-CAM 融合诊断模型 —三、基于支持向量机 （SVM）、k 最近邻 （KNN）、随机森林 （RF）、XGBoost 和人工神。突出物理机理融合，掌握诊断技术新范式： ：引入物理信息神经网络（PINN），教授如何将动

1.有监督学习的神经网络算法1.1 全连接深度神经网络DNN在基因组学中的应用举例1.2 卷积神经网络CNN在基因组学中的应用举例1.3 循环神经网络RNN在基因组学中的应用举例1.4 图卷积神经网络GCN在基因组学中的应用举例2.无监督的神经网络算法2.1 自动编码器AE在基因组学中的应用举例2.2 生成对抗网络GAN在基因组学中的应用举例。

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：1.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2.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

2.培训对象材料科学、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。5、工具与平台应用：介绍Tensorflow、Pytorch、HuggingFace、Langchain、Gradio等先进的深度学习模块和工具，使学员能够熟练使用这些工具进行高分

6、开源软件与工具的发展：伴随深度学习在流体力学研究中应用的普及，相关的开源软件和工具为科研人员提供了便捷的平台，简化了深度学习模型的实现与应用过程，加速了研究成果的转化。适合流体力学相关领域的科研人员，航空航天、船舶制造、能源工程、石油化工、环境科学、水利水电等领域的工程师，工业自动化、机器人、智能制造等相关行业从业者，跨领域研究人员。1、深度学习与物理模型的融合：构建物理增强的深度学习模型，将