Nature再出成果！直面行业多年难题，复合材料优化传统性能体系！

人工智能在复合材料研究中展现巨大潜力，但面临数据质量和标准化挑战。研究数据来源多样，格式标准不统一，影响整合和利用。异常值、误差和缺失值等问题影响AI模型准确性和可靠性。建立统一数据标准和规范，强化数据清洗、预处理和验证，构建高质量数据库，促进数据共享和交流，对AI模型训练至关重要。

1 模型可解释性

AI模型决策过程复杂，难以理解。在复合材料研究中，科学家和工程师需理解模型决策逻辑，深入理解材料性能和行为机制，进行有效材料设计和优化。开发可解释AI模型、利用可视化工具揭示模型决策过程、采用基于规则的解释方法等，可以增强模型可解释性。

2 跨学科融合

AI在复合材料研究中的应用涉及多学科领域，需不同学科专业人员紧密合作。为实现更深入的跨学科融合，必须加强学科间交流与合作，培养具备跨学科知识和技能的复合型人才，打破学科界限，共同推动AI在复合材料研究中的应用和发展。

AI/ML技术为复合材料研究和应用带来新机遇和挑战。展望未来，随着技术发展，复合材料设计、制造和监测将变得更加智能化和高效化。随着技术进步和完善，AI将在复合材料研究中扮演更重要角色，带来性能更优异、功能更独特的复合材料，推动领域发展，为社会进步作出更大贡献。

第一天：卷积神经网络与有限元复合材料损伤预测

上午

神经网络与CNN核心原理+简单案例实现

1. 神经网络与CNN核心原理(实操+代码)

(1) 感知机到卷积神经网络的演进路径

(2) 卷积层数学原理：参数共享与特征提取机制

(3) 池化层与激活函数的作用机制

图 CNN基础架构图

2. 图像分割网络架构基础 (实操+代码)

(1) 从分类到分割：FCN网络转换原理

(2) 编码器-解码器架构设计思想

(3) 转置卷积与上采样策略对比

(4) 代码演示：构建基础FCN分割网络

3. U-Net架构深度解析(1) U-Net核心架构剖析 (实操+代码+演示)

(2) U-Net对称结构设计理念与点

(3) 跳跃连接(Skip Connection)的关键作用

(4) 特征图尺度变化与信息保持机制核心实操：完整U-Net网络架构构建关键层级特征图变化分析

图 U-Net完整架构与信息流向图

下午

有限元与相场方法基础及Crack-Net架构核心技术

1. 有限元方法相场损伤理论基础 (实操)

(1) 损伤变量d的物理意义与数学描述

(2) 相场理论：从Cahn-Hilliard到裂纹演化实操实现：相场裂纹演化

2. 复合材料建模与传统方法

(1) 复合材料微观结构建模Abaqus中裂纹扩展模拟 (实操)

(2) 代表性体积元(RVE)设计与周期边界条件

(3) 多相材料界面建模策略3. Crack-Net架构核心技术

(1) 从U-Net到Crack-Net的演进 (实操+代码+演示)

(2) Crack-Net整体架构设计理念分析

(3) 多任务学习：应力预测+相场预测联合训练

图：Crack-Net 框架

第二天：差分深度学习复合材料应力预测

课程背景：本天课程将从编码器-解码器基础架构出发，深入到差分神经网络(DiNN)在复合材料应力预测中的前沿应用。

上午

编码器-解码器架构基础理论

图 编码器-解码器基础架构图2. 图像到图像转换网络基础 (实操+代码)(1) 从分类任务到回归预测的网络适配

(2) 空间信息保持与特征图尺度变换

(3) 跳跃连接在空间预测中的作用机制

(4) 代码演示：实现简单的图像到图像转换网络

3. 有限元应力分析基础理论 (实操+代码)

(1) 线性弹性力学基本方程与边界条件

(2) 网格划分与应力场数值求解原理

(3) von Mises应力计算与物理意义

(4) 快速实操：简单结构的FEA应力计算

4. 重心坐标插值与数据标准化 (实操+代码+演示)

(1) 三角网格到规则网格的插值挑战

(2) 重心坐标系统的数学原理与稳定性优势

(3) 笛卡尔映射数据预处理策略

(4) 核心实操：重心坐标插值算法实现

下午

差分神经网络(DiNN)核心技术1. 从传统方法到差分学习实操(实操+代码+演示)

(1) 传统端到端预测的局限性分析

(2) 差分学习思想：参考模型与差分训练策略

(3) DiNN三模块架构：样本处理+编码解码+应力预测

图 DiNN完整架构与点图

2. SE注意力机制与ResNet融合技术 (实操+代码)

(1) Squeeze-and-Excitation块的通道注意力机制

(2) Conv-SE与ResNet-SE块的协同工作原理

(3) 特征重标定与高级特征提取策略

3. 复合材料应力预测完整流程 (实操+代码+演示)

(1) 典型复合材料模型的应力预测实现

(2) 体积分数随机性vs空间随机性的处理策略

(3) 应力集中区域的精确预测技术

(4) 工程案例：纤维增强复合材料应力场预测颗粒增强复合材料的完整建模流程

图 不同复合材料的应力预测结果对比

第三天 复合材料应力场预测

课程背景本天课程将从卷积神经网络基础出发，深入到U-Net架构在纤维增强复合材料应力场预测中的应用。

上午

卷积神经网络基础理论深化

1. 卷积神经网络高级特征提取机制 (实操+代码)

1.1 卷积核设计原理：3×3卷积的参数效率与感受野分析

1.2 特征图降维与信息保持的数学平衡机制

1.3 批量归一化在训练稳定性中的关键作用

图 多层CNN特征提取机制图

2 U-Net编码器-解码器架构核心机制 (实操+代码+演示)

2.1 编码器路径：逐层特征抽象与空间信息压缩

2.2 解码器路径：特征重建与空间分辨率恢复机制

2.3 跳跃连接的数学原理：高层语义与低层细节的融合不同尺度特征图的concat操作与信息传递详细实操：完整U-Net网络的分层构建与参数分析跳跃连接对预测精度影响的实验验证

图 U-Net详细架构与跳跃连接机制图

下午

有限元基础与复合材料应力分析

1. 应力云图的后处理与数据提取方法

2 数据预处理与图像标准化 (实操+代码)

2.1 二值化微观结构图像的生成与处理

2.2 应力场数据的归一化与标准化策略

2.3 图像翻转数据增强的物理合理性分析

3 微观结构到应力场的深度映射 (实操+代码+演示)

3.1二值化纤维分布图像作为网络输入的编码策略

图 微观结构-应力场映射网络架构图

第四天 生成对抗网络复合材料场预测

课程背景：本天课程将从生成对抗网络基础出发，深入到几何-场映射在复合材料设计中的前沿应用。

上午

生成对抗网络基础理论

1. 生成对抗网络(GAN)核心原理 (实操+代码)

(1) 博弈论框架：生成器与判别器的对抗训练机制

(2) Nash均衡在神经网络训练中的数学表示

(3) 条件生成对抗网络(cGAN)的约束机制

(4) 快速实操：构建基础GAN进行图像生成

图 GAN基础架构与博弈论框架图l

U-Net与PatchGAN架构深度解析 (实操+代码)U-Net编码器-解码器对称结构设计理念跳跃连接在空间信息保持中的关键作用PatchGAN局部判别策略vs全局判别的优势代码演示：

U-Net在图像分割中的应用实现

2. 有限元应力场计算基础 (实操+代码)

(1) 连续介质力学基本方程与本构关系

(2) 压缩载荷下的边界条件设置与求解策略

(3) von Mises应力场的物理意义与计算方法

(4) 快速实操：Abaqus中复合材料应力场计算

3. 复合材料微观结构建模 (实操+代码+演示)

(1) 双相材料的力学参数对比

(2) 载荷-卸载循环的残余应力分析核心实操:材料参数对应力场分布的影响分析

图 复合材料微观结构

下午

几何-场映射核心技术

1. 从传统仿真到智能预测的进阶 (实操+代码+演示)

(1) 图像到图像转换的深度学习范式

(2) 几何约束作为条件输入的网络设计

(3) 物理场信息的完整性保持策略

图 复合材料几何GAN框架

第五天：多尺度复合材料性能预测与智能材料设计

课程背景： 融合多尺度仿真技术与深度学习方法，本课程将从复合材料代表性体积元(RVE)基础出发，深入到神经网络驱动的复合材料性能预测、损伤演化分析与智能材料设计的前沿应用。

上午

复合材料多尺度性能预测理论

1. 复合材料多尺度性能关联机制 (实操+代码)

(1) 纤维-基体-界面三相复合材料微观结构表征

(2) 复合材料RVE设计原则：纤维体积分数、分布模式、界面性质

(3) 均匀化理论在复合材料等效性能预测中的应用

(4) 快速实操：典型复合材料RVE的参数化建模与性能预测

2. 复合材料损伤机制与FE²耦合分析 (实操+代码)

(1) 复合材料典型失效模式：纤维断裂、基体开裂、界面脱粘

(2) 宏观加载下微观损伤演化的多尺度映射关系

(3) 渐进损伤分析与最终失效强度预测

图 复合材料多尺度损伤演化机制图

下午

复合材料智能设计与性能优化

3. 复合材料UMAT智能本构模型开发 (实操+代码+演示)

(1) 复合材料各向异性弹性本构的UMAT实现

(2) 损伤演化方程与神经网络代理模型集成

(3) 复合材料非线性本构关系的AI加速求解

(4) 核心实操：复合材料智能UMAT子程序编写与验证

4. 神经网络驱动的复合材料性能预测系统 (实操+代码+演示)

(1) 复合材料微观结构图像到宏观性能的端到端预测

(2) 纤维取向、体积分数对复合材料强度/刚度的影响预测

(3) 复合材料疲劳寿命与损伤容限的智能评估

(4) 详细分析：训练数据生成：不同复合材料体系的性能数据采集多任务学习：同时预测弹性模量、强度、韧性等多个性能指标

大语言模型材料设计

第一天

上午：大语言模型赋能材料设计的背景与趋势

人工智能在材料科学中的发展历程

数据驱动vs机理驱动材料设计范式

大语言模型（LLM）在科研中的典型应用场景

材料领域痛点：数据稀缺、知识分散、跨尺度问题

LLM如何解决文献爆炸与知识整合问题

案例1：MatSciBERT：面向材料科学预训练语言模型

使用HuggingFace加载MatSciBERT模型，对一段电池材料论文摘要进行命名实体识别（NER），自动标注材料名（如LiFePO₄）、合成方法和性能指标。对比MatSciBERT与通用BERT在材料实体识别准确率上的差异。

案例2：AI驱动的固态电解质发现

实操内容：用ChatGPT/Claude梳理该论文的研究思路——如何从12,000+种候选材料中筛选固态电解质。学员撰写Prompt，让LLM总结论文核心方法（筛选标准、机器学习特征工程、实验验证），并让LLM提出扩展思路（如更换目标离子为Na⁺）。

第一天下午：大语言模型原理与技术体系

Transformer架构详解（Attention机制深入理解）

主流模型对比（GPT、Claude、LLaMA等）

Token机制与上下文窗口

Prompt工程基础（结构化提示词设计）

多模态模型在材料中的潜力（文本+图像+结构）

实操：构建第一个科研Prompt

案例

3：LLM学习文本知识构建钛合金通用描述符

复现Transformer预训练、BPE分词、富化描述符生成、注意力可视化

对比LLM自动描述符 vs 手工物理描述符

案例4：LLM提取材料合成参数—RoboRXN

实操内容：给定一段有机合成文献描述，使用LLM（含few-shot示例）提取合成参数（溶剂、温度、时间、浓度），并与文献原始数据对比。逐步优化Prompt提升提取精度。

第二天

上午：在线模型与本地模型实践

在线模型平台（OpenAI、Claude、通义等）使用技巧

API调用与自动化科研流程

本地模型部署（LLaMA/Qwen/DeepSeek）

GPU环境配置与推理优化

本地vs云端模型优缺点对比

实操：本地模型部署与调用

案例5：ChemDataExtractor系统化材料数据提取

实操内容：先用ChemDataExtractor对一篇论文进行自动化数据提取（安装并运行demo）。然后部署本地Qwen2.5-7B模型，用相同论文段落进行对比提取。分析规则引擎vsLLM在提取准确率和泛化性上的优劣。

案例6：DeepSeek-R1在化学推理中的应用

实操内容：本地部署DeepSeek-R1-Distill模型（通过Ollama/vLLM），输入材料科学推理问题（如"为什么LiNi₀.₈Mn₀.₁Co₀.₁O₂的热稳定性低于LiCoO₂？"），观察模型的自思考链（Chain-of-Thought）过程。对比同量级无CoT模型的回答质量。

第二天下午：模型微调与思维链（

CoT）

微调（Fine-tuning）基本原理

指令微调vs领域微调

LoRA/PEFT高效微调方法

思维链（Chain-of-Thought）原理

自一致性（Self-consistency）与推理增强

在材料问题中的应用（如反应路径分析）

实操：构建科研推理Prompt

案例7：MaterialsProject+LLM：材料性能预测的Prompt工程

实操内容：从MaterialsProjectAPI获取一组氧化物数据（形成能、带隙），构造CoTPrompt让LLM分析"哪种氧化物最适合作为透明导电薄膜"并逐步给出推理过程。要求LLM明确写出每一步推理依据（如"带隙>3.1eV保证透明性""形成能越低越稳定"）。

案例8：MatSci-Instruct：材料科学指令微调数据集

实操内容：下载MatSci-Instruct数据集样本（约100条），使用LLaMA-Factory框架对Qwen2.5-1.5B进行LoRA微调。微调前后分别在材料问答测试集上评测，量化领域微调带来的性能提升（BLEU/ROUGE/准确率）。

第三天

上午：材料文献信息提取

文献结构解析（摘要/方法/结果）

命名实体识别（材料、性能、工艺参数）

自动抽取材料性能数据（如带隙、电导率）

表格与图像信息提取方法

PDF解析工具链（GROBID、PyMuPDF等）

实操：自动提取材料数据

案例9：多模态材料信息提取—从图表中读取数据

实操内容：(1)使用GROBID解析一篇材料论文PDF，提取结构化XML（标题、摘要、段落）；(2)使用PyMuPDF提取论文中的数据图表，通过多模态LLM（如GPT-4o/Qwen-VL）识别图表中的数据趋势（如XRD峰位→晶相识别、充放电曲线→容量计算）。

案例10：大规模材料文献数据挖掘—超级电容器数据集构建

实操内容：使用LLM批量处理20篇超级电容器领域论文的摘要，自动提取三元组（电极材料–电解液–比电容），汇总为结构化CSV。统计不同材料体系的性能分布，用LLM生成数据驱动的简要综述。

第三天

下午：本地知识库构建

向量数据库原理（Embedding）

主流工具（FAISS/Milvus/Chroma）

文献向量化与索引构建

语义检索vs关键词检索

构建材料领域专属知识库

实操：搭建个人科研知识库

案例11：MatSci-NLP：材料科学NLP基准数据集

实操内容：下载MatSci-NLP数据集中的论文摘要子集（约500篇），使用BGE-M3Embedding模型生成向量，存入ChromaDB。构建语义检索接口，对比"固态电池界面问题"的语义检索结果vs传统BM25关键词检索结果。

案例12：

深度学习框架驱动的多组分高熵合金硬度设计

作为大规模文献自动挖掘+合金设计的综合案例，现BiLSTM-CRF信息提取、两阶段GA+PSO优化、SHAP特征分析，对比NER提取 vs GROBID规则引擎。

第四天

上午：

RAG（检索增强生成）系统

RAG基本架构（Retriever+Generator）

Chunk策略与检索优化

Prompt+检索融合策略

多文档推理与答案融合

在材料设计中的应用（如快速综述生成）

案例13：LLM+RAG用于材料设计文献综述自动生成

实操内容：基于Day3搭建的ChromaDB知识库，使用LangChain/LlamaIndex构建RAG流水线。输入研究问题如"LLM在催化剂设计中有哪些成功案例？"，系统检索相关文献片段，生成带引用的综述回答。对比纯LLM回答vsRAG回答的事实准确性。

案例14：多文档RAG在药物-材料交叉领域的应用

实操内容：实现"迭代式RAG"——让模型先检索初版文献，生成初步回答后自动识别知识缺口，再进行第二轮检索补充，最终生成更完整的回答。以"MOF材料在CO₂捕获中的最新进展"为测试问题，对比单轮RAGvs迭代RAG的回答质量。

第四天

下午：知识图谱在材料中的应用

知识图谱基本概念（实体、关系、三元组）

材料知识建模（材料-性能-工艺）

图数据库（Neo4j）入门

LLM+知识图谱融合

用于材料发现的关系推理

实操：构建材料知识图谱

案例15：MaterialsKnowledgeGraph（材料知识图谱）

实操内容：(1)使用LLM从10篇电池材料论文中自动抽取三元组（材料-工艺-性能），如"(LiFePO₄,涂覆碳,提升倍率性能)"；(2)将三元组导入Neo4j图数据库，构建小型材料知识图谱；(3)在Neo4j中执行Cypher查询（如"哪些材料通过碳涂覆提升了倍率性能？"）。

案例16：LLM+知识图谱用于材料发现—GraphRAG

实操内容：在Neo4j知识图谱上实现GraphRAG查询——通过图遍历找到材料间的隐含关联（如"哪种材料既有高离子电导率又有良好的热稳定性？"），再让LLM基于图谱上下文生成综合分析报告。对比普通RAG（仅向量检索）vsGraphRAG（图谱+向量）在关系推理类问题上的表现差异。

第五天

上午：材料问答系统构建

问答系统架构设计

多轮对话与上下文管理

专业领域问答优化策略

防止幻觉（Hallucination）的方法

案例17：ChatGPT在材料科学中的幻觉评测

实操内容：(1)构建材料领域测试集（20个专业问题，含标准答案）；(2)对纯LLM、RAG系统、知识图谱增强系统分别测试，量化幻觉率（答案中的错误声明比例）；(3)实现简单的"自我审查"机制——让LLM先回答，再让另一轮LLM审查答案可靠性并标注置信度。

案例18：多轮对话式材料咨询系统实操内容：使用Streamlit/Gradio构建一个多轮对话界面，集成RAG+知识图谱后端。模拟真实科研咨询场景——用户先问"锂硫电池面临什么挑战？"，系统回答后用户追问"有哪些材料策略可以解决穿梭效应？"，系统结合上下文和检索结果生成连贯回答。实现对话历史管理和上下文压缩。

第五天

下午：综合项目实战与工作流搭建

构建完整科研工作流：文献获取→信息提取→知识库→RAG→问答

自动化材料研究助手设计

多Agent协作（未来方向）

Demo项目：��"电池材料智能分析助手"或"催化剂筛选助手"

案例19：多Agent协作——Coscientist自动化科研系统

实操内容：研读CarnegieMellon的Coscientist系统架构（文献检索Agent+实验设计Agent+实验执行Agent+数据分析Agent），用LangChain/LangGraph实现简化版多Agent系统：一个Agent负责检索文献，一个Agent负责提取材料性能数据，一个Agent负责生成分析报告。测试任务："自动收集并分析最近5年钙钛矿太阳能电池效率数据"。

案例20：全流程Demo—"电池材料智能分析助手"

实操内容：综合五天所学，搭建完整的"电池材料智能分析助手"系统：(1)文献自动获取（arXivAPI/SemanticScholarAPI）；(2)LLM信息提取（材料名、性能数据、合成方法）；(3)存入向量数据库+Neo4j知识图谱；(4)RAG+GraphRAG问答接口；(5)Gradio可视化前端。以"固态电解质"为目标领域，从零完成端到端演示。

第一天：AI与MOF的基础认知，开启智能材料设计新纪元

第一天的课程以人工智能与材料科学的交汇为起点，聚焦AI for Science的革命性进展与MOF研究的历史沿革。理论部分从2024年诺贝尔物理学奖引发的“AI科学时代”谈起，系统介绍人工智能的基本原理、发展历程与核心概念，阐述机器学习与深度学习的基本架构、典型流程与应用逻辑。随后讲解金属有机框架（MOF）的基本结构组成、发展历史及在气体储存、催化、药物递送等领域的研究热点，强调AI在加速MOF发现与性能预测中的关键作用。实操部分涵盖Python与Linux环境配置、MOF数据库（CSD、CoRE-MOF、QMOF）使用、结构可视化与特征提取（Zeopp、Poreblazer、MOFid），帮助学员完成从“数据理解”到“初步分析”的过渡。

第一天：

AI

与

MOF

的基础认知与科学范式

理论部分

• 人工智能的科学革命：从符号主义到深度学习的演进路径

• AI 基本理论框架：监督学习、无监督学习、强化学习、生成模型的基本概念与应用领域

• 机器学习典型流程：数据预处理 → 特征工程 → 模型训练 → 验证与解释

• 深度学习简介：神经网络结构、反向传播算法、过拟合与泛化能力

• MOF 材料基础知识：结构组成（有机配体–金属节点–拓扑网络）

• MOF 的发展历程与研究热点：从 MOF-5、ZIF-8 到多功能杂化框架

• MOF 在能源、环境与医药领域的应用：气体储存、CO₂ 捕集、污染物吸附、药物缓释、催化反应

• AI 与 MOF 的融合趋势：从实验发现到智能预测与自主设计

实操部分

• Linux 与 Python 科学计算环境搭建（Anaconda / Mamba）

• MOF 结构可视化与格式转换（ASE、Avogadro）

• 数据集构建：从 CoRE-MOF、CSD、QMOF 数据库筛选与清洗

• 特征提取：Zeopp、Poreblazer、MOFid 工具的使用

• Python 实现 MOF 比表面积、孔径分布、能量参数计算

第二天：传统机器学习方法在MOF性质预测中的深入实践

第二天聚焦传统机器学习算法在MOF性质预测中的理论与实操应用。课程首先回顾机器学习在材料科学中的发展脉络，介绍回归、分类与聚类模型在MOF结构–性能关系建模中的核心思想。理论部分系统讲解线性回归、支持向量机（SVM）、随机森林（RF）、梯度提升（XGBoost、LightGBM）等算法的基本原理与适用场景，结合MOF比表面积、吸附能、能带结构等具体任务展示其建模流程与可解释性分析方法。实操部分以CO₂和CH₄吸附预测为案例，带领学员进行特征工程、模型训练、参数优化与SHAP特征贡献分析，掌握模型从构建到评估的完整过程。

第二天：传统机器学习方法在

MOF

性质预测中的应用

理论部分

• 机器学习在材料科学中的应用模式

• MOF 结构–性质关系的定量表征思路（QSAR/QSPR）

• 特征工程在 MOF 性质预测中的作用

• 常用算法解析：线性回归（LR）、SVM、随机森林（RF）、XGBoost、LightGBM、CatBoost

• 模型评估指标（R²、RMSE、MAE）及交叉验证方法

• 案例研究：CO₂ / CH₄ 吸附等温线预测、MOF 比表面积与能带结构预测、SHAP 可解释性分析

实操部分

• 构建 MOF 性质预测数据集（QMOF + CoRE-MOF）

• 使用 Python 实现 XGBoost/RF/SVM 模型训练

• 参数优化与特征选择（GridSearchCV、SHAP、Boruta）

• 可视化模型性能（学习曲线、误差散点图）

• 结果解释与物理关联分析

第三天：图神经网络（GNN）赋能MOF结构–性能建模

第三天进入课程核心模块，聚焦图神经网络（Graph Neural Network, GNN）在MOF研究中的应用。理论部分首先介绍GNN的数学基础与消息传递机制（Message Passing），阐释如何将MOF的晶体结构转化为原子–键图表示，从而实现结构信息的高效编码。课程进一步讲解主流模型如CGCNN、MEGNet、ALIGNN、CrystalNN及MatGL的网络架构、优势与局限，并结合Nature Communications等高被引研究案例展示GNN在MOF吸附能与能带预测中的表现。实操部分带领学员使用PyTorch Geometric / DGL框架构建并训练GNN模型，掌握从数据预处理、图结构生成到模型训练与注意力可视化的完整流程，帮助学员实现从“描述符思维”向“结构图学习”的转变。

第三天：图神经网络（

GNN

）与

MOF

结构

–

性能建模

理论部分

• GNN 基础：从分子图到晶体图表示

• 节点与边特征的构建方式：化学键、配位环境、拓扑连通性

• 消息传递机制（Message Passing）与图卷积操作（Graph Convolution）

• 主流 GNN 模型：CGCNN、MEGNet、ALIGNN、CrystalNN、MatGL

• GNN 在 MOF 建模中的优势与挑战

• 案例研究：基于 GNN 的 MOF 能带与吸附能预测

实操部分

• 使用 PyTorch Geometric / DGL 框架构建 GNN 模型

• 将 MOF 结构转换为图表示（节点–边矩阵）

• 训练 MEGNet 模型预测 CO₂ 吸附能

• 可视化注意力权重与结构贡献区域（Attention Heatmap）

• 模型对比实验：GNN vs XGBoost vs RF

第四天：生成模型与逆向MOF设计的前沿探索

第四天课程聚焦生成式人工智能（Generative AI）在MOF设计中的应用与创新。理论部分介绍变分自编码器（VAE）、生成对抗网络（GAN）和扩散模型（Diffusion Model）在材料设计中的基本原理与发展趋势，阐述潜空间学习（Latent Space）与性能引导型生成（Property-guided Generation）的核心思想。重点讲解MOF-VAE、MOF-Diffusion与MOFGen等代表性框架如何实现从性能目标到结构反向生成，并讨论贝叶斯优化与强化学习在逆向设计中的融合策略。实操内容包括基于VAE的MOF潜空间映射、性能导向生成模型训练、Diffusion模型微调与生成结构的稳定性验证，帮助学员掌握“从属性到结构”的AI反向设计路径。

第四天：生成模型与逆向

MOF

设计

理论部分

• 生成式 AI 在材料科学中的崛起（VAE、GAN、Diffusion）

• 潜空间（Latent Space）学习与结构生成机制

• MOF-VAE、MOF-Diffusion 与 MOFGen 框架介绍

• 性能引导型生成策略：从目标性质出发的反向设计

• 贝叶斯优化与强化学习在逆向设计中的结合

• 可合成性与稳定性判定：synthetic accessibility 指标

• 案例研究：基于生成模型的 CO₂ 捕集 MOF 反向设计

实操部分

• 使用 MOF-VAE 实现结构潜空间映射与生成

• 构建目标导向生成模型（以甲烷吸附量为目标）

• 贝叶斯优化算法调控生成方向

• Diffusion 模型训练与新结构筛选

• 使用 DFT / GCMC 验证生成结构的能量与吸附性能

第五天：大语言模型（LLM）赋能MOF智能设计与自主发现

课程的最后一天聚焦大语言模型（Large Language Model, LLM）在MOF研究中的最新应用与发展方向。理论部分首先回顾从ChatGPT到MatGPT、ChemLLM的演化历程，系统阐述大模型在科学知识建模、文本生成与跨模态推理中的潜能。课程进一步讲解LLM在MOF领域的三大应用方向：文献语义挖掘与自动摘要、语义驱动的结构筛选与性质预测、以及结合AutoML实现的自动化设计与分析。实操部分将带领学员使用MatGPT与LangChain框架实现“文本→结构→性能预测”的智能闭环，探索如何构建自学习型MOF智能体，实现从知识理解到材料发现的自主创新过程，为AI赋能材料科学的未来奠定实践基础。

第五天：大语言模型（

LLM

）在

MOF

智能设计中的应用

理论部分

• 大语言模型的崛起与科学研究新范式（ChatGPT → MatGPT → ChemLLM）

• LLM 在材料科学中的认知与生成能力：文本到结构、文本到实验

• 材料知识图谱与 LLM 的融合（MaterialsKG、MatGPT、MATTERverse）

• LLM 在 MOF 研究中的应用：文献挖掘、语义筛选、AutoML 自动化分析

• 未来展望：多模态智能体（Multi-agent）助力自主材料发现

实操部分

• 利用 LLM 结合 AutoML 实现自适应 MOF 筛选

大语言模型材料设计

国内顶尖材料研究课题组，长期专注于材料大模型应用部署、Agent系统搭建、企业知识库接入、多平台协同与自动化流程设计，拥有丰富的一线项目实施与交付经验。曾参与多类智能助手、业务自动化平台与科研辅助系统的方案设计与落地，擅长将大模型能力与真实业务流程结合，快速构建可运行、可扩展、可维护的Agent应用。

AI赋能复合材料智能设计与多尺度仿真

主讲老师来自国内985高校！主要研究方向为纤维增强复合材料、金属-复合材料混合材料界面性能、多尺度多置信度预测模型、结构可靠性分析等！熟练使用 ABAQUS 静力分析、动态分析、裂纹扩展分析和多尺度界面分析、Fortran二次开发等，已发表数篇深度学习与有限元仿真顶刊！有丰富的算法与有限元仿真结合经验！

机器学习辅助金属有机框架（MOFs）智能设计

来自全国重点大学、211工程重点高校，长期深耕于AI驱动新材料发现领域。将前瞻性的深度学习技术与MOF材料深度融合，致力于解决MOF材料的高通量筛选及构效关系解析等关键科学问题。以深入浅出、极具启发性的授课风格广受学员好评。他不仅拥有扎实的交叉学科底蕴，更能够将晦涩难懂的深度学习神经网络架构巧妙转化为生动清晰、通俗易懂的实操案例，帮助跨专业的学员轻松跨越材料+AI的学科鸿沟！

机器学习辅助金属有机框架（MOFs）智能设计

2026.6.27 -2026.6.28 (09:00-11:30--13:30-17:00）

2026.6.29 -2026.6.30 (19:00-22:00)

2026.7.04 -2026.7.05 (09:00-11:30--13:30-17:00）

大语言模型材料设计

AI赋能复合材料智能设计与多尺度仿真

2026.6.27 -2026.6.28 (09:00-11:30--13:30-17:00）

2026.6.29 -2026.6.30 (19:00-22:00)

2026.7.04 -2026.7.05 (09:00-11:30--13:30-17:00）

AI赋能复合材料智能设计与多尺度仿真

机器学习辅助金属有机框架（MOFs）智能设计

每人每个课程￥4980元 （含报名费、培训费、资料费）

报名福利：

报二送一（同

时报名两个班赠送一个学习课程，赠送课程可任选）

1、

课程特色

--全面的课程技术应用、原理流程、实例联系全贯穿

2、

学习模式

--理论知识与上机操作相结合，让零基础学员快速熟练掌握

3、

课程服务答疑

--主讲老师将为您实际工作中遇到的问题提供专业解答

授课方式

：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高！

学员对于培训给予高度评价

联系人：赵老师