|
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 1.系统引导学员搭建机器学习与MOF材料研究的交叉知识体系,清晰理解监督学习、无监督学习、集成学习、深度学习及图神经网络的核心原理,全面剖析各类机器学习算法在MOF材料性能预测、结构筛选、合成设计等场景的应用背景与适用范畴。通过Python及专属机器学习库的实操训练,学员能梳理机器学习技术在材料领域的应用逻辑,掌握将机器学习技术落地MOF材料科学研究的关键能力。2.帮助学员熟练掌握机器学习主流库的核心功能与实操技巧,能灵活运用线性回归、随机森林、XGBoost、图卷积网络(GCN)等经典及前沿算法模型。掌握特征工程、模型训练、调优评估的全流程实践,同时让学员掌握模型可解释性分析方法(SHAP值、特征重要性分析等),理解MOF材料结构-性能构效关系,为优化MOF材料性能、设计新型功能MOF体系提供理论支撑。3.让学员掌握图神经网络适配MOF材料研究的核心逻辑,理解将MOF晶体结构转化为图结构的关键方法,明晰GCN、GAT、SchNet等图神经网络架构在MOF材料性质预测中的优势。掌握图神经网络在MOF领域的实操应用,同时掌握大语言模型在MOF合成预测、文献挖掘、代码生成中的应用技巧,为MOF新材料发现与合成研发开辟新研究路径。4.掌握“数据-特征-模型-预测-验证”的全流程实操能力,从MOF数据集处理、特征提取与降维,到模型训练调优、评估应用,再到主动学习、图神经网络搭建、大语言模型应用,让学员掌握可直接复用的MOF材料机器学习研究代码模板与分析方法,能够独立运用机器学习技术解决MOF材料实际研究问题。 培训授课讲师 主讲老师来自全国重点大学、国家“985工程”、“211工程”重点高校,长期从事机器学习辅助的材料设计与预测研究,兼具机器学习算法研发与MOF材料研究的交叉专业背景,熟悉MOF领域研究痛点与机器学习技术落地要点,能够精准结合领域实例拆解理论与实操,让学员快速掌握跨学科研究技能。 培训内容大纲 第一天上午 机器学习与金属有机框架(MOF)绪论 监督学习、非监督学习、半监督学习的区别和应用场景 机器学习算法的分类和特点以及在MOF中的应用 机器学习模型理论讲解,监督学习(回归与分类),线性回归模型,逻辑回归模型,K近邻模型,支持向量机模型,决策树模型,神经网络模型 实操: 安装Python和必要的机器学习库 机器学习工具,常用的机器学习库Scikit-Learn等实操 机器学习辅助发现丙烷选择性金属有机框架 MOF数据集处理:数据整合,Python清洗数据,处理缺失值(如用均值填充MOF缺失特征)、异常值(剔除超常规范围的错误数据),构建标准化数据集 MOF特征提取与分析:特征提取,特征初步分析,分析特征与目标性能,筛选关键特征模型训练与调优,数据划分、模型训练 性能预测,模型评估,回归模型等评价指标与调用方法(均方误差(MSE)、平均绝对误差(MAE)、决定系数(R²)等) 掌握“数据-特征-模型-预测”全流程,能用机器学习解决MOF材料性能预测问题,输出可复用的代码模板与结果分析。 以上实操内容结合MOF领域的例子和数据 第一天:下午 集成学习讲解: Bagging (如随机森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM) 随机森林(Random Forest)原理与应用 梯度提升树(Gradient Boosting)原理与应用 实操:通过机器学习加速发现水稳定金属-有机框架 MOF的特征处理:标准化,区间缩放法,归一化,定量特征二值化,OneHot独热编码等 MOF特征降维:特征选择(相关系数法,卡方检验,递归消除特征法,基于模型的特征选择法),线性降维(主成分分析法PCA处理,线性判别法) 分类模型验证指标(准确率,查准率和查全率,F得分,分类报告,混淆矩阵)ROC和AUC曲线等; 多类集成学习模型的训练预测与评估交叉验证(Cross-Validation):K折交叉验证、留一法等,用于评估模型泛化能力。 模型选择与避免过拟合/欠拟合:学习曲线分析 第二天:上午 无监督学习 什么是无监督学习 无监督算法——聚类 无监督算法——降维 K-均值聚类(K-Means),层次聚类,t-SNE、主成分分析原理与实操讲解 实操: 鸢尾花数据集用于聚类实现和应用 T-SNE实现和应用 PCA的实现和应用层次聚类的实现和应用 K-means聚类的实现和应用 MOF材料聚类实操:数据加载,参数调优,构建模型,对MOF材料数据执行降维,可视化及分析 第二天:下午 实操:机器学习与金属有机框架在气体存储和分离领域的结合 实操:机器学习辅助预测金属有机框架中的储氢性能 多种机器学习模型构建,线性回归模型,逻辑回归模型,K近邻模型,支持向量机模型,决策树模型,神经网络模型 集成学习训练:Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM参数调优与模型优化,.超参数调优:网格搜索(Grid Search)、随机搜索(Random Search) 模型评估与结果分析 第三天:上午 利用机器学习巩固MOF实验结果的多样性 MOF数据探索,特征工程,数据预处理 多种机器学习方法应用于MOF材料综合训练 机器学习模型训练与评估 模型的可解释性实战,线性回归方程式,决策树模型可视化,随机森林筛选特征等重要性,SHAP值可解释性等 第三天:下午 实操:利用温度驱动主动学习实现金属有机框架的机器学习潜力 关键概念(回归树、主动学习) 初始化参数与数据存储设计 数据处理:input方法的数据校验与格式转换 模型训练:fit_tree 方法与回归树拟合逻辑 主动学习核心:叶子节点统计(方差、样本占比)计算 实操应用:模型预测、样本标记更新与迭代优化 第四天:上午深度学习与神经网络基础 神经网络基础:感知器、多层感知器(MLP)、激活函数(ReLU, Sigmoid, Tanh)、损失函数、梯度下降与反向传播。 前向传播与反向传播核心逻辑 MOF核心特性:结构与应用场景 交叉逻辑:神经网络如何适配MOF结构-性能预测需求 实操:手动实现神经网络全流程(参数初始化→前向/反向传播→参数更新) 编写参数初始化、sigmoid 函数、前向传播代码 实现交叉熵损失计算与反向传播梯度求解 搭建完整训练循环,进行模型训练和验证 调试优化:调整学习率、隐藏层神经元数,解决收敛慢问题 第四天:下午 图神经网络(GNN)及其在MOF材料中的应用 GNN特征工程的特点 图的基本概念:节点(原子)、边(键)、图(晶体结构/分子)GNN基本思想:消息传递机制 常用GNN架构介绍:GCN, GAT, SchNet, MEGNet/ALIGNN等 实操: 用于MOF性质预测的常规机器学习和图神经网络模型的比较分析 图神经网络基础模型构建 使用MOF图结构数据训练GCN模型 针对GCN模型的关键参数进行优化,提升模型性能。 从预测精度、泛化能力、训练效率等方面对机器学习和图神经网络模型进行评估 对比分析不同模型在MOF性质预测中的优势与不足 第五天:上午 实操:人工智能和高通量计算工作流程助力快速筛选用于储氢的金属有机框架材料 实操深度学习模型架构:GNN的图卷积层设计 模型关键组件激活函数、池化层、损失函数等的选择依据 模型搭建的核心逻辑与参数初始化技巧 复刻论文模型:搭建GNN模型 配置训练参数学习率、批量大小、迭代次数、编写训练循环代码,实现前向传播与梯度下降参数更新 模型评估与模型应用总结两类模型在MOF材料研究不同场景下的适用情况,为实际研究中的模型选择提供参考 第五天:下午 实战例子:大语言模型作为化学助手预测MOF合成 基于大语言模型的文本挖掘的设计 提示工程设计 大语言模型辅助Python代码生成和数据处理 MOF合成结果的预测建模 探索大型语言模型在MOF领域的适应性和多功能性 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,聚焦人工智能在MOF材料的最新研究进展,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 深度学习MOF材料: 2026.04.18---2026.04.19(上午09.00-11.30下午13.30-17.00) 2026.04.25---2026.04.26(上午09:00-11:30下午13:30-17:00) 2026.04.27---2026.04.28(晚上19:00-22:00) 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
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。
|

