往 期 培 训

Previous Training


往期培训
  • 第17届北京等贤深度学习光学设计培训班第一轮通知

    近年来,深度学习在光学设计领域的应用引起了广泛关注。随着光子学结构设计成为光电子器件和系统设计的核心,深度学习为这一领域带来了新的机遇和挑战。传统的光子学结构设计方法通常基于简化的物理解析模型及相关经验,这种方法虽然可以得到所需的光学响应,但效率低下且可能错过最佳设计参数。深度学习通过数据驱动的思想建模,从大量数据中学习研究目标的规律与特征,为解决光子学结构设计面临的问题提供了新方向。例如,深度学习可以用于预测和优化光子学结构的性能,实现更高效、更精确的设计。在光子学结构设计领域,深度学习已被应用于多个方面。一方面,深度学习可以帮助设计超构材料、光子晶体、等离激元纳米结构等复杂的光子学结构,以满足高速光通信、高灵敏度传感和高效能源收集及转换等应用需求。另一方面,深度学习还可以用于优化光学元件的性能,如透镜、反射镜等,以实现更好的成像质量和更高的光学效率。此外,深度学习在光学设计领域的应用还推动了其他相关技术的发展。例如,深度学习可以用于实现智能光学成像系统,通过自动调整光学元件的参数来适应不同的成像需求。同时,深度学习还可以用于实现高效的光学计算和信息处理,为光学计算和信息处理领域的发

  • 第5届北京等贤深度学习计算机视觉与计算成像培训班第一轮通知

    近年来,计算机视觉正在从传统的“图像识别任务”快速迈向“成像—复原—感知—理解”一体化的新阶段。深度学习计算机视觉与计算成像正是这一趋势下的重要交叉方向,它不仅关注目标检测、语义分割、三维感知和视觉基础模型等高层视觉任务,更进一步回到图像形成的源头,将 RAW 成像、ISP 管线、图像噪声建模、光学退化、可微成像和神经图像复原纳入统一建模框架。随着 Neural ISP、Transformer/Mamba 图像复原、扩散模型、SAM/CLIP 等视觉基础模型以及光学-AI联合设计的发展,视觉系统正逐渐从单一算法优化走向端到端协同设计,在自动驾驶机器人视觉、计算摄影、显微成像、工业检测和智能终端部署等场景中展现出重要研究价值与工程潜力。

  • 第6届北京等贤深度学习第一性原理培训班第一轮通知

    近年来,第一性原理计算与深度学习技术的交叉融合正在推动计算材料科学进入智能化研究的新阶段。密度泛函理论(DFT)作为材料模拟的黄金标准,能够从量子力学层面精确解析材料的电子结构和物理化学性质(Kohn & Sham, 1965)。然而,传统DFT计算面临计算成本高昂和泛函精度受限等挑战。深度学习技术的引入为解决这些问题提供了创新方案,开创了"AI for Materials"的新范式。

  • 第2届北京等贤AI大模型微生物多组学培训班第一轮通知

    微生物多组学(宏基因组、宏转录组、宏蛋白组及代谢组)正以前所未有的通量 产出海量异质数据,但其深层整合受制于维度爆炸、跨组学非线性耦合及功能模块涌现性难以量化等瓶颈。传统机器学习依赖人工特征工程,无法充分挖掘微生 物群落中基因流-代谢物-宿主表型间的多尺度依赖。以 Transformer、图神经网 络及扩散模型为代表的 AI 大模型,凭借超大规模参数与自监督预训练范式,能够从数十亿微生物基因序列及代谢谱中自主学习语义表征,实现序列-功能-生态 位的端到端映射。近期研究显示,基于多模态对齐的预训练基础模型,可在零样 本条件下准确预测新型抗菌肽、噬菌体-宿主互作,并动态模拟扰动下群落演替 轨迹,显著提升疾病标志物发现与精准营养干预的效率。然而,数据批次效应、 时间序列稀疏性及模型“黑箱”问题仍严重制约临床转化。未来,融合因果推理 与知识图谱增强的大模型框架,有望推动微生物多组学从“关联挖掘”迈向“机 制可解释的预测调控”,为微生态医学与合成生物学提供智能化决策底座。

  • 第3届北京等贤大模型PINN+神经算子+Codex科研培训班第一轮通知

    随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关键技术。

  • 第1届北京等贤GeoAI-人工智能与岩土力学培训班第一轮通知

    当前GeoAI在岩土力学中的前沿探索,正经历从纯数据驱动向“机理-数据”双驱动范式的深刻跃迁。这一转型的核心支撑在于物理信息神经网络(PINNs),通过将Biot固结及非饱和渗流控制方程作为硬约束植入损失函数,从根源上抑制了小样本学习中的物理悖论。研究热点已转向融合随机场理论的数据增强与元学习策略,以有效破解地质体空间变异性的泛化瓶颈。在多源数据融合层面,联合InSAR时序形变与钻探文本知识的跨模态基础模型已初具雏形,推动本构参数识别向全生命周期动态反演拓展。此外,可解释性工具与降阶模型的协同作用,正促使智能算法从“黑箱”走向透明,为构建具备因果逻辑的岩土数字孪生体、实现工程灾害由被动预警向主动防控转型开辟了全新路径。这一范式革新,标志着岩土力学正从传统的经验科学逐步迈入可解释、可计算的高阶智能科学新阶段。

  • 第15届北京等贤机器学习锂离子电池培训班第一轮通知

    当前,机器学习正在推动锂离子电池研究从传统“实验试错+经验建模”模式,向数据驱动、物理融合与智能设计方向快速演进。随着新能源汽车、储能系统和高功率电子设备对电池安全性、寿命和能量密度提出更高要求,传统依赖大量循环测试、参数标定和电化学建模的方法在研发周期、成本和复杂退化机理解析方面面临明显瓶颈。近年来,机器学习、深度学习、Transformer、图神经网络(GNN)、物理信息神经网络(PINN)以及生成式AI等技术逐步用于SOC/SOH估计、剩余寿命(RUL)预测、热失控预警、电池材料筛选、电解液与电极配方优化、界面演化分析以及快充策略设计。前沿研究尤其强调“物理机理+数据驱动”融合,通过将电化学约束、热力学规律和退化机制嵌入模型,提高小样本条件下的泛化能力与可解释性;同时结合高通量计算、数字孪生和多模态数据,可实现从材料发现、单体性能预测到PACK级运行管理的全生命周期智能优化。未来,机器学习与电池科学的深度融合有望进一步加速固态电池、高镍正极、硅碳负极以及新型电解液等关键体系的研发,推动锂离子电池从“被动测试与控制”迈向“主动预测、智能设计和闭环优化”的新阶段。

  • 第6届北京等贤机器学习固态电解质培训班第一轮通知

    发布日期:2026年08月14日培训简介当前,机器学习正深刻变革固态电解质的设计范式,已超越早期的简单性能预测,与原子尺度模拟、高通量筛选、生成式模型及主动学习等前沿技术深度融合,构筑起“计算预测—实验验证—数据闭环”的智能研发新范式。机器学习在固态电解质领域的应用前沿主要体现在:一是开发高保真机器学习力场实现大尺度、长时间的高效分子动力学模拟;二是仅基于化学式或晶体结构即可实现高精度的离子电导率与电化学窗口预测;三是融合生成式AI与LLM,从超大化学空间进行材料的创造性设计;四是引入主动学习,以最少的高成本

  • 第8届北京等贤机器学习催化剂设计培训班第一轮通知

    发布日期:2026年08月14日培训简介机器学习正在推动催化科学从传统的“试错探索”迈向“智能预测与逆向设计”的新时代。通过融合机器学习、深度学习、图神经网络(GNN)、生成式人工能(Generative AI)以及材料大模型,研究者能够利用海量DFT计算数据、实验数据库和多尺度模拟结果,快速建立催化剂结构—性能之间的复杂映射系,实现活性位点识别、反应路径预测、吸附能计算以及高性能催化材料筛选。近年来,基于GNN的原子级表征方法能够直接学习材料晶体结构与化学键关系,在析氢反应(HER)、析氧反应(OER)、二氧化碳还原(CO₂R

  • 第4届北京等贤人工智能电磁仿真设计与实战培训班第一轮通知

    当前,人工智能在电磁设计领域的应用正在推动传统依赖全波仿真、参数扫描和经验优化的设计模式向智能化、自动化和高效化方向转变。传统电磁器件设计(如天线、超材料、超表面、射频器件、微波器件及光电器件等)通常需要借助有限元法(FEM)、有限差分时域法(FDTD)、CST、HFSS等仿真工具进行大量迭代优化,在面对高维参数空间、复杂结构拓扑以及多目标性能约束时,往往存在计算成本高、设计周期长等问题。近年来,深度学习、Transformer、生成式AI、物理信息神经网络(PINN)以及强化学习等人工智能方法逐渐融入电磁设计,通过学习“结构参数—电磁响应”之间的复杂映射关系,实现电磁器件的快速预测、智能优化与逆向设计。当前AI驱动的电磁设计研究重点围绕超材料与超表面设计、天线智能优化、电磁隐身、无线通信器件、光子芯片、射频系统以及新型电磁功能器件开发等方向展开,通过神经网络代理模型替代传统高成本仿真过程,并结合物理约束提升模型可靠性,实现从目标性能直接反推出最优结构参数的智能设计流程。近年来,基于深度神经网络的超表面逆向设计已能够快速生成满足特定电磁响应要求的结构,大幅缩短传统设计周期;同时,AI与物理规律融合的方法正在进一步提升复�

  • 第2届北京等贤AI 大模型辅助土壤有机碳(SOC)培训班第一轮通知

    随着全球气候变化与农业可持续发展的需求日益迫切,土壤有机碳作为衡 量土壤健康与碳汇能力的关键指标,其高精度、高效率的监测与预测成为 研究热点。AI 大模型的引入正为土壤有机碳研究带来范式革新:基于大规 模遥感数据、气象资料、土壤属性与土地利用信息,预训练大模型能够自动提取多源异构特征,实现对 SOC 含量的空间连续估算与动态模拟,显著 提升传统土壤制图与有机碳预测的精度与泛化能力。在技术路径上,可利 用视觉大模型(如 SAM)辅助土壤剖面图像的分割与碳分布识别,结合时 序光谱大模型对近地高光谱与卫星影像进行端到端的有机碳反演;同时, 基于 Transformer 架构的土壤大模型能够融合多模态输入(文本、数值、 图像),通过少样本学习或微调方式快速适应不同区域、不同土壤类型的 碳预测任务,有效缓解实地采样成本高、数据稀疏的痛点。此外,大模型 还可耦合过程模型(如 CENTURY、RothC)与机器学习方法,实现对有机 碳长期演变趋势的推理与情景分析,为耕地质量提升、退化土壤恢复及碳 封存项目提供可解释的决策支持。本培训旨在帮助学员掌握 AI 大模型在 SOC 估算与预测中的基础理论、典型工作流与案实践,涵盖数据预处理、 大模型调用与微调、空间制

  • 第2届北京等贤大模型PINN+神经算子+Codex科研培训班第一轮通知

    随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关键技术。

  • 第2届北京等贤机器学习与混凝土性能预测培训班第一轮通知

    机器学习正深刻重塑混凝土材料的研究范式,推动其向智能化、低碳化与 高质量发展转型。在智能设计与逆向优化方面,以“砼真砼知”等材料大模 型为代表,实现了从目标性能到最优配比的逆向推演,能在强度、成本、 碳足迹等多目标间智能平衡,结合贝叶斯优化与深度强化学习可进一步实 现配合比精准调控和不确定性量化;在微观模拟领域,生成式 AI 驱动的扩 散变换器模型可合成水化水泥浆体的高保真三维微观结构,将微观相分布 与宏观力学响应相关联,打通了从分子动力学到有限元分析的多尺度计算 链条;在智能感知与无损检测中,机器视觉与深度学习已实现混凝土裂缝、 脱落的自动识别,探地雷达融合 YOLOv8 等模型能以 97.6%的精度无创识 别钢筋直径,检测时间从数小时压缩至分钟级,扩散生成模型与高光谱技 术也为自修复剂分布监控提供了新途径;在可持续制造方面,机器学习混 合模型(如 XGBoost+遗传算法)可高效预测高性能混凝土的强度与耐久 性,在降低水泥用量 15–30%的同时保持性能,耦合耐久性模型与 LCA 还 能精准估算结构寿命与全生命周期碳排放。综上,机器学习已从辅助工具 演变为混凝土材料科学与工程创新的核心驱动力,有力支撑绿色低碳基础 设施的设计、运行与&

共有10页首页上一页123456789下一页 跳转 页 确定 尾页
seo seo