首页 >> 往期培训 >>机器学习固态电池 >> 第1届北京等贤机器学习固态电池培训班第一轮通知
详细内容

第1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:2025年03月09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。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。

 

培训目标

1. 掌握固态电池(SSB)的发展使命,基本构成、固态电解质分类,工作原理、关键挑战与性能评估。

2. 了解利用第一性原理(DFT)和分子动力学(MD)及其相关工具(如VASP, CP2K, LAMMPS, Gromacs)计算固态电池关键材料(电极、电解质)及界面性质的基本方法。

3. 掌握机器学习的基本概念、常用算法及其在材料科学,特别是固态电池领域的应用流程。

4. 学习如何为固态电池体系(包括电极、电解质、界面)构建有效的特征描述符以及如何利用VASP等DFT工具对该类描述符进行计算。

5. 熟练运用Python及其相关库(Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE)处理固态电池相关数据并构建机器学习模型。

6. 掌握利用机器学习、深度学习等模型预测固态电池关键性能(如界面稳定性、离子电导率、循环寿命等)的方法。

7. 学习使用机器学习加速新型固态电池材料体系(特别是稳定的界面组合)的发现和设计,如利用Matminer工具结合Material Project数据库进行高通量筛选。

8. 掌握使用机器学习与传统计算模拟(DFT/MD)结合,进行多尺度研究的策略,利用先进的神经网络模型如Deepmd-kit, MACE等加速材料的研发。

 

培训授课讲师

来自全国重点大学、国家“985工程”、“211工程"重点高校,长期从事固态电解质材料的第一性原理、分子动力学模拟研究,特别是在利用计算模拟方法和机器学习相结合来加速材料筛选,性能预测等方面有深入研究。他的授课方式浅显易懂,特别擅长从简单角度出发,逐渐深入讲解复杂的理论知识和计算方法!目前共发表论文(Nature Catalysis, Nature Communications, Energy & Environmental Science, Advanced Energy Materials等)共四十余篇。曾任Joule, Journal of Materials Chemstry A等期刊审稿人。

 

培训内容大纲

第一天:固态电池基础与计算模拟概览

上午:固态电池基本原理与关键挑战

1.1 固态电池概览

固态电池的发展使命与优势。

基本构成:正极、负极、固态电解质、界面。

固态电解质分类与特性(聚合物、氧化物、硫化物等)。工作原理与性能评估指标。

案例分析:现有商业化/准商业化固态电池案例分析(性能、挑战)。

1.2 固态电池关键挑战

界面稳定性问题(空间电荷层、枝晶生长、副反应)。离子电导率与传输机制。机械稳定性与循环寿命。小组讨论:学员提出在实际工作中遇到的固态电池难题。

下午:固态电池材料计算模拟方法入门

1.3 第一性原理 (DFT) 在固态电池中的应用

DFT基本概念与在材料科学中的作用。CP2K简介:如何设置计算任务(结构优化、能量、电子结构)。

实操:利用CP2K计算固态电解质的晶格常数、形成能(提供示例输入文件与结果解析)。

实操:利用VESTA可视化晶体结构和电子密度。

1.4 分子动力学 (MD) 在固态电池中的应用

MD基本概念与在材料科学中的作用。LAMMPS/Gromacs简介:如何设置MD模拟(原子间势函数、温度、压力)。实操:利用LAMMPS模拟固态电解质的离子扩散行为(提供示例输入文件与轨迹文件解析)。

实操:利用VMD可视化MD模拟轨迹。

第二天:机器学习基础与固态电池数据处理

上午:机器学习核心概念与在材料科学中的应用

2.1 机器学习基础

机器学习的分类:监督学习、无监督学习、强化学习。

常用算法简介:线性回归、逻辑回归、支持向量机、决策树、随机森林、K-Means。

案例分析:介绍几个机器学习在其他材料领域的成功应用。

模型评估指标:R2、MAE、MSE、准确率、召回率、F1-score。

2.2 机器学习在固态电池领域的应用流程

数据获取、特征工程、模型选择与训练、模型评估与部署。

案例分析:一个简化的机器学习预测固态电解质离子电导率的流程介绍。

下午:固态电池数据处理与特征工程

2.3 Python科学计算库实战

实操:Numpy用于数组操作和数值计算。

实操:Pandas用于数据读取、清洗、处理与分析(以模拟或实验数据为例)。

实操:Matplotlib/Seaborn用于数据可视化(散点图、直方图、热力图等)。

2.4 固态电池体系的特征描述符构建

理论:为什么需要特征描述符?常见的材料特征描述符(晶格参数、元素属性、结构信息、局部环境)。

实操:Pymatgen/ASE库介绍:如何从CIF/POSCAR文件提取结构信息。

实操:构建简单的描述符:例如,基于元素电负性、原子半径的均值、方差等。

实操:利用Pymatgen/ASE结合Python脚本,从DFT计算结果中提取能量、结构、态密度等信息,并转换为机器学习可用格式。

第三天:机器学习模型构建与固态电池性能预测

上午:传统机器学习模型在固态电池中的应用

3.1 回归模型预测离子电导率

任务:基于固态电解质的成分和结构特征(预处理好的数据集),预测其离子电导率。

实操:数据集加载与预处理(归一化、特征选择)。

实操:使用Scikit-learn构建并训练线性回归、随机森林回归、支持向量机回归模型。

实操:模型评估(MAE, MSE, R2)与结果可视化。

讨论:不同模型的优缺点及适用场景。

3.2 分类模型预测界面稳定性

任务:基于电极/电解质界面的特征(预处理好的数据集),预测界面是否稳定。

实操:数据集加载与预处理。

实操:使用Scikit-learn构建并训练逻辑回归、决策树、随机森林分类模型。

实操:模型评估(准确率、召回率、F1-score、混淆矩阵)与结果可视化。

讨论:如何处理类别不平衡数据。

下午:深度学习模型在固态电池中的应用

3.3 神经网络基础与TensorFlow/PyTorch入门

神经网络基本结构(全连接层、激活函数、损失函数、优化器)。

TensorFlow/PyTorch简介:张量操作、自动微分。

演示:构建一个简单的全连接神经网络模型。

3.4 深度学习预测固态电池关键性能

任务:利用多层感知机 (MLP) 预测固态电池的循环寿命或特定性能指标。

实操:数据集准备(可能需要更复杂的特征)。

实操:使用TensorFlow/PyTorch构建、训练并评估MLP模型。

实操:超参数调优(学习率、批次大小、层数、神经元数量)。

讨论:深度学习在处理复杂、高维固态电池数据时的优势。

第四天:新型固态电池材料发现与设计

上午:高通量筛选与数据库应用

4.1 材料数据库与高通量计算

理论:Material Project (MP) 数据库介绍及其在材料设计中的价值。

实操:MP API的使用(通过Python查询材料结构、能量、电子性质等)。

实操:Matminer库介绍:如何从MP数据提取特征。

4.2 机器学习加速新型固态电解质筛选

任务:利用机器学习模型结合Matminer和MP数据,筛选潜在的高性能固态电解质材料。

实操:定义筛选标准(例如,高离子电导率、宽电化学窗口)。

实操:构建并训练预测模型(可以是前一天训练好的模型或新模型)。

实操:对MP数据库中的材料进行高通量预测与筛选,生成候选材料列表。

讨论:如何评估筛选结果并指导实验验证。

下午:界面工程与稳定组合发现

4.3 固态电池界面稳定性预测

理论:界面反应机制与影响因素。

实操:构建界面特征描述符:基于电极/电解质材料的晶体结构、元素组成、电子结构差异等。

实操:利用机器学习模型(分类或回归)预测界面形成能、界面相变倾向等。

案例分析: 某个具体的电极/电解质界面组合,分析其预测结果。

4.4 机器学习发现稳定的界面组合

任务:结合多种电极和电解质材料,利用机器学习模型进行组合筛选,发现稳定的界面。

实操:构造所有可能的电极-电解质组合。

实操:利用训练好的界面稳定性预测模型,对所有组合进行预测。

实操:筛选出预测为稳定的界面组合,并对其进行排序和分析。

讨论:如何将机器学习结果与DFT/实验结果结合进行验证。

第五天:机器学习与多尺度计算模拟的融合

上午:神经网络势函数与MD加速 

5.1 机器学习势函数基础

理论:为什么需要机器学习势函数?传统势函数的局限性。

理论:神经网络势函数 (NNP) 的基本原理。

演示:Deepmd-kit/MACE介绍:如何训练NNP模型。

5.2 Deepmd-kit/MACE实操

任务:利用Deepmd-kit/MACE训练固态电解质的机器学习势函数。

实操:数据准备:从DFT计算轨迹生成训练数据(能量、力、应力)。

实操:训练NNP模型(提供示例配置文件)。

实操:评估NNP模型的准确性(与DFT结果对比)。

讨论:NNP在加速MD模拟中的优势。

下午:多尺度研究策略与未来展望

5.3 机器学习加速大规模MD模拟

任务:利用训练好的Deepmd-kit/MACE势函数进行大规模分子动力学模拟。

实操:设置并运行基于NNP的LAMMPS/Gromacs MD模拟。

实操:分析大规模MD模拟结果(例如,离子扩散系数、相变过程)。

讨论:如何将NNP模拟结果与宏观性能联系起来。

5.4 机器学习与多尺度计算模拟的融合策略

结合DFT、NNP-MD、蒙特卡洛等方法进行多尺度研究。

固态电池材料研发的未来趋势:自动化、高通量、AI驱动的实验。

讨论:学员项目构思与Q&A。

课程特色及授课方式

 

线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦机器学习固态电池领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;

 

完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!

 

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件;

2、课程结束可获得本次所学专题全部回放视频;

3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)

课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!

学员对于会议答疑给予高度评价!

 

 

 

授课时间

 

机器学习固态电池:

2025.04.15----2025.04.17(上午9.00-11.30下午13.30-17.00)

2025.04.21----2025.04.22(上午9.00-11.30下午13.30-17.00)

腾讯会议 线上授课(共五天课程 提供全程视频回放)

课程费用

每人每班:4980元

往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。

 

报名方式

1762251722639838.png 

联系人:陈老师

咨询电话:15652523032(微信同号)

相关事项(必读!)

1、每个学员在报名后都会提供盖有公章的邀请函。

2、若有任何问题需要咨询或沟通,请发送邮件至13169611059@qq.com。

3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。

4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。

 


seo seo