往 期 培 训

Previous Training


往期培训
  • 第1届北京等贤AI大模型微生物多组学培训班第一轮通知

    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1届北京等贤AI智能体在力学仿真的应用与实战专题培训班第一轮通知

    传统有限元与计算流体力学仿真长期面临“精度-效率”两难困境:高保真分析计算昂贵,而简化模型又难以捕捉复杂多物理场耦合行为。近年来,人工智能的深度介入正催生一场“智能力学仿真”的范式变革——从物理信息神经网络(PINN)直接嵌入偏微分方程残差,到UNet与Transformer实现全场应力/位移的毫秒级预测;从EUCLID无监督本构发现自动揭示超弹性材料的能量函数形式,到NNUMAT将深度学习模型无缝部署于Abaqus商用求解器。更具颠覆性的是,大语言模型多智能体系统(LLMAgent)的崛起,正在重新定义仿真工作流:通过MCP模型上下文协议标准化CAE求解器接口,利用LangGraph、AutoGen等框架编排规划建模求解后处理协作智能体,并借助FeaGPT、FoamAgent等前沿成果,实现“自然语言对话式仿真”与端到端自动化闭环。本专题系统讲授机器学习核心算法、深度学习代理模型、断裂力学AI预测、数据驱动本构建模以及多智能体协同技术,旨在培养掌握力学仿真原理与人工智能方法的复合型人才,推动计算力学迈向智能、精准、自动化的新阶段。

  • 第3届北京等贤AI大模型代谢组学培训班第一轮通知

    AI 大模型代谢组学是当前生命科学与人工智能交叉领域的重要前沿方向, 其核心是利用大语言模型、Transformer、图神经网络、生成式模型和多模 态基础模型,对质谱、核磁、色谱、代谢通路、基因组、转录组、蛋白组 和临床表型等多源数据进行统一建模与智能解析。相比传统代谢组学主要 依赖人工注释、数据库比对和统计分析,AI 大模型能够在海量未标注质谱 数据中学习代谢物结构表征,辅助完成峰识别、代谢物注释、通路推断、 疾病分型、药物响应预测和生物标志物发现;同时,通过多组学融合与自 然语言推理,大模型正在推动代谢组学从“数据检测”走向“机制解释” 和“智能预测”。当下前沿研究已开始探索面向代谢组学的专用评测基准、 多组学推理模型和生命科学基础模型,但跨数据库标识符统一、长尾代谢 物注释、实验可重复性和生物学可解释性仍是关键挑战。整体来看,AI 大 模型代谢组学正在成为连接分子代谢变化、疾病机制解析、精准医学、药 物研发和个体化健康管理的重要技术路线。

  • 第2届北京等贤AI大模型代谢组学培训班第一轮通知

    AI 大模型代谢组学是当前生命科学与人工智能交叉领域的重要前沿方向, 其核心是利用大语言模型、Transformer、图神经网络、生成式模型和多模 态基础模型,对质谱、核磁、色谱、代谢通路、基因组、转录组、蛋白组 和临床表型等多源数据进行统一建模与智能解析。相比传统代谢组学主要 依赖人工注释、数据库比对和统计分析,AI 大模型能够在海量未标注质谱 数据中学习代谢物结构表征,辅助完成峰识别、代谢物注释、通路推断、 疾病分型、药物响应预测和生物标志物发现;同时,通过多组学融合与自 然语言推理,大模型正在推动代谢组学从“数据检测”走向“机制解释” 和“智能预测”。当下前沿研究已开始探索面向代谢组学的专用评测基准、 多组学推理模型和生命科学基础模型,但跨数据库标识符统一、长尾代谢 物注释、实验可重复性和生物学可解释性仍是关键挑战。整体来看,AI 大 模型代谢组学正在成为连接分子代谢变化、疾病机制解析、精准医学、药 物研发和个体化健康管理的重要技术路线。

  • 第1届北京等贤AI辅助CRISPR基因编辑育种技术培训班第一轮通知

    基因编辑技术,作为现代农业生物育种领域的革命性工具,其精准性与应用广度正深刻改变着作物遗传改良的范式。随着全球人口增长、气候变化加剧以及消费者对营养品质需求的日益多元,对作物产量、抗逆性、营养价值及资源利用效率等核心农艺性状的培育提出了前所未有的挑战。在此背景下,人工智能技术的深度融合为基因编辑育种研究开辟了崭新的路径。AI凭借其高通量数据分析、模式识别与智能决策等卓越能力,在基因编辑靶点设计、基因型-表型关联预测、编辑效率优化及种质资源评价等关键环节展现出巨大潜力。通过系统整合基因组、表型组及环境等多维数据信息,AI能够有效缩短优异等位基因的挖掘周期,精准预测编辑后代的性状表现,为育种家提供数据驱动的科学选配方案。同时,AI赋能下的基因编辑体系还能够优化转化体系构建与编辑策略设计,加速性状聚合进程,推动育种流程从传统“经验驱动”向“数据智能驱动”的范式跃迁。此外,AI技术与基因编辑的交叉融合,也进一步促进了作物科学、计算生物学、基因组学及合成生物学等多学科的系统整合,为精准设计育种提供了坚实的理论支撑与技术底座。在绿色超级稻、高油酸大豆、抗病小麦等前沿场景中,AI辅助的基因编辑策略正通过优化靶&

  • 第1届北京等贤AI大模型代谢组学培训班第一轮通知

    AI 大模型代谢组学是当前生命科学与人工智能交叉领域的重要前沿方向, 其核心是利用大语言模型、Transformer、图神经网络、生成式模型和多模 态基础模型,对质谱、核磁、色谱、代谢通路、基因组、转录组、蛋白组 和临床表型等多源数据进行统一建模与智能解析。相比传统代谢组学主要 依赖人工注释、数据库比对和统计分析,AI 大模型能够在海量未标注质谱 数据中学习代谢物结构表征,辅助完成峰识别、代谢物注释、通路推断、 疾病分型、药物响应预测和生物标志物发现;同时,通过多组学融合与自 然语言推理,大模型正在推动代谢组学从“数据检测”走向“机制解释” 和“智能预测”。当下前沿研究已开始探索面向代谢组学的专用评测基准、 多组学推理模型和生命科学基础模型,但跨数据库标识符统一、长尾代谢 物注释、实验可重复性和生物学可解释性仍是关键挑战。整体来看,AI 大 模型代谢组学正在成为连接分子代谢变化、疾病机制解析、精准医学、药 物研发和个体化健康管理的重要技术路线。

  • 第4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1届北京等贤人工智能流体力学仿真培训班第一轮通知

    人工智能正深刻重塑流体力学的研究范式,其前沿进展围绕数据与物理的深度融合以及计算效率的颠覆性提升展开。以物理信息神经网络为代表的模型通过将纳维-斯托克斯方程嵌入学习过程,成功实现了复杂几何流场与湍流反演的高精度求解;而傅里叶神经算子等框架则直接从数据中学习偏微分方程的映射,在三维可压缩湍流等场景中将计算速度提升数个数量级。针对湍流建模这一核心挑战,对抗训练神经算子与数据驱动振荡器模型正逐步克服传统方法的过度平滑问题,实现了对多频湍流精细结构的忠实捕捉与长效预报。在工程应用层面,结合深度学习与CFD的数字孪生系统已在反应堆主泵、航空涡轮以及复杂地形风场重建中展现出近实时状态追踪的能力,而将动力约束引入人工智能预报也为热带气旋等极端事件提供了兼具动态一致性与集合预报能力的新范式。总体而言,人工智能流体力学正从单纯的加速工具演变为驱动跨学科创新、实现智慧工业与精准气象预测的核心引擎。

  • 第1届北京等贤深度学习集成电路设计培训班第一轮通知

    深度学习集成电路设计是人工智能与芯片设计深度融合的重要前沿方向,旨在利用神经网络、图神经网络、强化学习、生成式模型等智能算法,提升集成电路在架构设计、逻辑综合、版图布局布线、功耗优化、时序分析、故障检测与性能预测等环节的自动化与智能化水平。相比传统依赖人工经验和多轮EDA工具迭代的设计模式,深度学习能够从海量芯片设计数据、仿真结果和工艺参数中学习复杂映射关系,快速完成设计空间探索、关键参数预测与多目标优化,从而显著缩短芯片研发周期、降低设计成本并提升电路性能。该方向不仅契合人工智能芯片、先进制程、智能EDA和国产化集成电路发展的迫切需求,也为高校师生和科研人员开展高水平论文研究、工程应用创新及产业化落地提供了重要突破口。

  • 第3届北京等贤人工智能助力电磁仿真设计与工程应用培训班第一轮通知

    人工智能与电磁设计的深度融合正重塑该领域的核心范式,其前沿方向不仅限于利用深度学习以突破逆设计瓶颈并实现复杂器件的高效自动化生成,更深层次的变革体现在三大前沿维度:首先,物理信息网络(PINNs)及融合物理机理的神经网络正成为主流,通过将麦克斯韦方程组等电磁物理定律内嵌于网络结构中提升模型的物理合理性与泛化能力;其次,大语言模型(LLMs)和多模态大模型开始赋能电磁系统,从融合6G信道建模与空间结构化序列的“翻译”式天线设计,延展至涵盖感知、识别与决策的电磁智能闭环;最后,基于非结构化网格的图神经网络与自注意力机制融合,结合自动化射频设计、混合逆设计策略与代理建模等技术,极大提升了复杂高维电磁问题的处理与优化能力。整体而言,人工智能电磁设计正从专用代理模型迈向通用几何电磁大模型与智能计算平台,为隐身飞行器设计、智能感知与新一代通信系统等复杂任务提供颠覆性的技术底座。

  • 第1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、典型工作流与案例实践,涵盖数据预处理、 大模型调用与微调、空间

  • 第1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

  • 第1届北京等贤大模型PINN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5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7届北京等贤机器学习催化剂设计培训班第一轮通知

    催化剂,被誉为现代化学工业的“基石”与“灵魂”,其创新是推动能源、化工、环保等诸多领域发展的核心驱动力。从哈伯法合成氨支撑起全球农业的命脉,到三元催化剂净化燃油车的尾气,人类文明的每一次飞跃,都伴随着催化技术的重大突破。然而,传统的催化剂研发模式——依赖于“试错法”和经验主义的“炒菜式”探索,正面临着前所未有的挑战。面对浩瀚无垠的化学元素组合、复杂的表面反应机理以及苛刻的实际应用环境,寻找一种“明星”催化剂往往需要经历十年甚至数十年的漫长周期,耗费巨大的人力与物力。

    我们仿佛站在一座蕴藏着无限可能的材料宝库门前,却苦于没有精准的钥匙。

    正是在这一背景下,一场由人工智能与大数据引领的科技革命,正为催化科学注入全新的活力。机器学习,作为人工智能的核心引擎,以其强大的从数据中学习规律、构建模型并预测未知的能力,正以前所未有的方式重塑着催化剂设计的范式。它不再仅仅是我们手中的计算工具,更是一位不知疲倦、洞察秋毫的“超级研究员”,能够从海量的实验与理论数据中,挖掘出隐藏的“构-效关系”密码,揭示人类直觉难以发现的复杂规律。

  • 第14届北京等贤机器学习锂离子电池培训班第一轮通知

    锂离子电池作为现代能源存储的核心技术,其性能优化与安全性提升面临多尺度、多物理场耦合的复杂挑战。传统实验方法受限于高成本与长周期,而基于物理模型的仿真手段难以全面捕捉电池内部的非线性动力学行为。机器学习凭借其强大的数据挖掘与模式识别能力,为锂离子电池研究提供了革命性的技术路径:在材料层面,通过高通量计算与机器学习结合,可快速筛选电极材料并预测其电化学性能,显著加速新型材料的发现;在电池层面,基于数据驱动的状态估计方法(如SOC、SOH预测)突破了传统模型的精度限制;在系统层面,机器学习算法能够实现对电池组的高效管理与故障预警,为电池全生命周期优化提供科学依据。随着实验数据积累与算法创新,机器学习正推动锂离子电池研究从经验驱动向智能设计范式转变,为下一代高性能、高安全性电池的开发开辟新方向。

  • 第5届北京等贤机器学习固态电池培训班第一轮通知

    能源存储技术作为可再生能源发展的关键支撑,正迎来前所未有的发展机遇。固态电池因其高能量密度、安全性和长循环寿命等优势,被视为下一代储能技术的核心方向。人工智能技术的融入,为固态电池的研发、制造和系统优化提供了全新的技术路径。采用机器学习(ML)技术(包括无监督、有监督、强化学习等),结合密度泛函理论(DFT)、分子动力学模拟(MDS)及实验数据,构建数据库并优化模型,提高了ML在高能量密度电池材料(正负极、电解质)设计、固态电解质开发、快充技术优化、电池寿命预测及回收利用等过程中的应用,分析了不同ML算法在材料筛选、性能预测等方面的作用。解决了电池研究中数据库不完整、模型精度低、实验验证难等问题,通过针对性数据集构建、策略性模型选择等,为突破高能量密度、固态电解质开发等五大挑战提供了方向,推动ML与电池科学的融合。

  • 第4届北京等贤深度学习第一性原理培训班第一轮通知

    发布日期:2025年09月17日培训简介近年来,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。培训目标1.本课程以“深度学习+ 大语言模型双引擎协同”为主线,系统讲解从传统第一性原理计算与分子动力学模拟,到机器学习、图神经

  • 第02届北京等贤人工智能与MOF实战培训班第一轮通知

    发布日期:2026年02月24日培训简介金属-有机框架(Metal-Organic Frameworks, MOFs)作为一种由金属节点与有机连接体自组装形成的晶态多孔材料,以其超高的比表面积、可调的孔道结构和优异的功能特性,在气体储存与分离、催化、传感、药物递送及能源等领域展现出巨大的应用潜力。然而,MOF近乎无限的化学与结构多样性(理论上可达数百万甚至上亿种)构成了一个庞大的“化学空间”,传统“试错法”式的实验研究和高通量计算筛选在面对这一浩瀚空间时,已显得力不从心,成为制约MOF从设计到应用的关键瓶颈。近年来,以深度学习为代表的人工智

  • 第2届北京等贤人工智能驱动的电磁仿真与设计实战培训班第一轮通知

    展望未来,人工智能驱动的电磁仿真与设计,正将电磁元器件的研发从“经验试错”引向“智能寻优”的全新范式。这一变革不仅将重塑电磁学研究的底层方法论,更将成为我国抢占下一代信息技术制高点、实现高水平科技自立自强的重要战略路径。

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