Previous Training
第3届北京等贤深度学习材料设计培训班第一轮通知发布日期:2025年03月15日培训简介材料深度学习领域正经历着从数据驱动到物理增强的范式跃迁,其核心在于突破传统材料研发的经验试错桎梏,构建起计算预测-自主实验-动态优化的智能闭环。基于图神经网络(GNN)的原子间势能预测技术已实现百万原子量级的分子动力学模拟精度突破,在锂电池固态电解质界面演化研究中成功捕捉到传统DFT方法难以观测的锂枝晶生长动力学行为。生成式模型的最新进展正重塑逆向设计范式:斯坦福大学团队开发的晶体扩散生成框架CryoDiff通过引入晶格对称性约束,在新
第2届北京等贤深度学习材料设计培训班第一轮通知发布日期:2024年10月27日培训简介材料深度学习领域正经历着从数据驱动到物理增强的范式跃迁,其核心在于突破传统材料研发的经验试错桎梏,构建起计算预测-自主实验-动态优化的智能闭环。基于图神经网络(GNN)的原子间势能预测技术已实现百万原子量级的分子动力学模拟精度突破,在锂电池固态电解质界面演化研究中成功捕捉到传统DFT方法难以观测的锂枝晶生长动力学行为。生成式模型的最新进展正重塑逆向设计范式:斯坦福大学团队开发的晶体扩散生成框架CryoDiff通过引入晶格对称性约束,在新
第1届北京等贤深度学习材料设计培训班第一轮通知发布日期:2024年8月15日培训简介材料深度学习领域正经历着从数据驱动到物理增强的范式跃迁,其核心在于突破传统材料研发的经验试错桎梏,构建起计算预测-自主实验-动态优化的智能闭环。基于图神经网络(GNN)的原子间势能预测技术已实现百万原子量级的分子动力学模拟精度突破,在锂电池固态电解质界面演化研究中成功捕捉到传统DFT方法难以观测的锂枝晶生长动力学行为。生成式模型的最新进展正重塑逆向设计范式:斯坦福大学团队开发的晶体扩散生成框架CryoDiff通过引入晶格对称性约束,在新