往 期 培 训

Previous Training


往期培训
  • 第15届北京等贤深度学习流体力学仿真培训班第一轮通知

    本文综述了深度学习在流体力学领域的应用,包括流动模拟、湍流预测、边界层计算等方面,并探讨了深度学习在流体力学中的未来发展趋势。未来的研究将致力于推动深度学习在流体力学领域的应用和发展,为实际工程应用提供更加准确和高效的解决方案。

  • 第6届北京等贤PINN固体力学及断裂力学 培训班第一轮通知

    物理信息神经网络(PINN)在固体力学与断裂力学中的应用,通过将控制方程(如Navier-Cauchy平衡方程)、本构关系(如线弹性/弹塑性模型)及边界条件嵌入神经网络损失函数,实现了对复杂力学响应的数据-物理双驱动建模。

  • 第19届北京等贤深度学习超材料逆向设计培训班第一轮通知

    发布日期:2026年01月22日培训简介在科学与工程的前沿领域,超材料以其超越天然材料的非凡物理特性——如负折射、隐身斗篷、声波操控等——持续激发着研究者的无限想象。然而,将这种想象变为现实的核心挑战,长期以来在于“逆向设计”问题:我们已知期望的物理响应(如特定频率的完美吸波),但如何高效、精准地找到与之对应的、往往是非直觉且结构复杂的微纳拓扑?传统的设计方法,如基于物理直觉的试错法或拓扑优化,常常陷入计算成本高昂、设计周期漫长、且易于陷入局部最优解的困境。面对高维、非线性的“结构-性能”映射关系,人类工

  • 第17届北京等贤深度学习光学成像培训班第一轮通知

    发布日期:2026年01月22日培训简介随着深度学习技术的迅速发展,计算光学成像领域迎来了新的机遇。尤其在医学影像、材料科学和工业检测等领域,深度学习驱动的计算光学成像正展示出强大的潜力与优势。利用深度学习模型对光学成像过程进行优化和控制,实现更高效的成像方法。

  • 第17届北京等贤COMSOL光学超表面培训班第一轮通知

    发布日期:2026年01月22日培训简介相比传统的三维超材料,超表面在维度压缩、损耗控制、工艺可行性和功能集成度等方面具有显著优势,因而成为当前光学与电磁材料研究的前沿热点。近年来,进一步引入时间调制、非厄米物理、拓扑机制与可编程控制,使超表面的调控维度从空间拓展至时空域,推动了非互易波动器件、波束动态扫描器、频率变换器等多功能系统的发展。在超表面的设计与优化过程中,电磁仿真技术发挥着至关重要的作用。仿真不仅能够准确预测超表面在不同入射条件下的响应特性,还可用于反向设计、参数扫描、共振模态分析以及形状与

  • 第5届北京等贤大模型PINN培训班第一轮通知

    随着物理先验知识的深度融入与计算框架的持续优化,PINN不仅为解决高维、非线性科学问题提供了通用平台,更开启了人工智能赋能基础科学研究的新篇章。培训目标课程旨在逐步引导学员掌握神经网络和物理信息神经网络的理论知识和实践技能。此外,学员还将学习PINN在处理耦合系统和复杂系统中的应用,如热流耦合和电池系统预测。

  • 第2届北京等贤深度学习超导材料与量子器件培训班第一轮通知

    发布日期:2025年01月18日培训简介将深度学习与新型电声子超导体探索相结合是一个新兴研究领域。超导材料与量子器件研究正经历着深刻的范式变革。随着量子计算、高性能电子器件等前沿领域的快速发展,传统的研究方法已难以满足对材料性能和器件功能的极致追求。本专题应运而生,致力于构建从微观电子结构到宏观量子器件的完整研究体系。我们创新性地将多尺度模拟方法与深度学习技术相结合,建立了一条贯穿第一性原理计算、强关联物理、材料智能设计到量子器件优化的完整技术链条。这一创新框架不仅突破了传统研究模式的局限,更为超导材料

  • 第1届北京等贤深度学习超导材料与量子器件培训班第一轮通知

    超导材料与量子器件研究正经历着深刻的范式变革。培训目标本课程旨在通过四天系统学习,使学员全面掌握超导材料与量子器件的多尺度研究方法。课程将重点培养学员运用深度学习技术解决超导材料研究难题的能力。

  • 第13届北京等贤机器学习锂离子电池培训班第一轮通知

    通过实战项目,使学员能够使用机器学习技术预测锂离子电池性能、稳定性,并进行电池性能分类。培养学员使用机器学习技术进行锂离子电池的实时充电状态和健康状态估计。

  • 第4届北京等贤机器学习固态电池培训班第一轮通知

    第4届北京等贤机器学习固态电池培训班第一轮通知发布日期:2026年1月15日培训简介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。

  • 第6届北京等贤机器学习催化剂设计培训班第一轮通知

    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。将机器学习与第一性原理或者实验结合,以实现快速发现催化材料。

  • 第4届北京等贤大模型PINN培训班第一轮通知

    随着物理先验知识的深度融入与计算框架的持续优化,PINN不仅为解决高维、非线性科学问题提供了通用平台,更开启了人工智能赋能基础科学研究的新篇章。培训目标课程旨在逐步引导学员掌握神经网络和物理信息神经网络的理论知识和实践技能。此外,学员还将学习PINN在处理耦合系统和复杂系统中的应用,如热流耦合和电池系统预测。

  • 第16届北京等贤COMSOL光学超表面培训班第一轮通知

    掌握集成 MATLAB 或 COMSOL Application Builder 的优化流程,用于相位库提取与波前合成设计。

  • 第1届北京等贤深度学习电磁超材料培训班第一轮通知

    人工智能特别是深度学习技术的兴起,为这一领域带来了突破性进展。本部分强调U-Net在电磁材料设计中的广泛适用性。案例分析设计具有特定电磁响应的超材料,验证模型在通信设备中的工程适用性。本部分突出AI在超材料光谱预测中的效率优势。

  • 第1届北京等贤机器学习钙钛矿培训班第一轮通知

    全球能源危机步步紧逼,传统化石燃料已无法满足需求,而钙钛矿太阳能电池以26.1%的超高效率(远超传统材料!),成为新能源赛道的“黑马”。但它的致命弱点——研发周期长、成本高,让科学家头疼不已。直到机器学习(ML)加入战场:从5148种材料中精准锁定目标,预测性能比实验快100倍!

  • 第1届北京等贤深度学习结构力学仿真培训班第一轮通知

    发布日期:2025年10月15日培训简介在传统的工程实践中,结构力学仿真往往依赖于有限元分析等数值方法,这些方法虽然成熟可靠,但计算成本高昂,迭代周期漫长。与此同时,深度学习正以革命性的方式重塑科学计算的格局。本课程正是站在这一交叉领域的前沿,系统探讨如何将深度学习的最新进展深度融合于结构力学仿真之中。

  • 第01届北京等贤深度学习MOF材料培训班第一轮通知

    近年来,以深度学习为代表的人工智能技术正以前所未有的力量,重塑MOF的研究范式,引领该领域进入一个“理性设计”与“智能发现”的新时代。培训目标本课程旨在培养学员系统掌握MOF材料智能研发的全链条技术能力。

  • 第14届北京等贤深度学习流体力学仿真培训班第一轮通知

    发布日期:2025年11月19日培训简介机器学习正迅速成为科学计算的核心技术,为推动计算流体动力学领域的发展提供了许多机会。在这里,我们重点介绍了一些具有最大潜在影响的领域,包括加速直接数值模拟、改进湍流闭合建模以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域,这些领域对计算流体动力学很有希望,以及一些应该考虑的潜在限制。随着深度学习技术的快速发展,其在多个领域的应用已经取得了显著的成果。在计算流体力学领域,深度学习技术为解决复杂流动问题提供了新的方法和思路。本文综述了深度学习在流体力学领域的应用

  • 第13届北京等贤深度学习流体力学仿真培训班第一轮通知

    发布日期:2025年10月01日培训简介机器学习正迅速成为科学计算的核心技术,为推动计算流体动力学领域的发展提供了许多机会。在这里,我们重点介绍了一些具有最大潜在影响的领域,包括加速直接数值模拟、改进湍流闭合建模以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域,这些领域对计算流体动力学很有希望,以及一些应该考虑的潜在限制。随着深度学习技术的快速发展,其在多个领域的应用已经取得了显著的成果。在计算流体力学领域,深度学习技术为解决复杂流动问题提供了新的方法和思路。本文综述了深度学习在流体力学领域的应用

  • 第12届北京等贤深度学习流体力学仿真培训班第一轮通知

    发布日期:2025年08月14日培训简介机器学习正迅速成为科学计算的核心技术,为推动计算流体动力学领域的发展提供了许多机会。在这里,我们重点介绍了一些具有最大潜在影响的领域,包括加速直接数值模拟、改进湍流闭合建模以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域,这些领域对计算流体动力学很有希望,以及一些应该考虑的潜在限制。随着深度学习技术的快速发展,其在多个领域的应用已经取得了显著的成果。在计算流体力学领域,深度学习技术为解决复杂流动问题提供了新的方法和思路。本文综述了深度学习在流体力学领域的应用

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