|
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、图神经网络、通用深度势能模型,再到 LLM 驱动的智能材料研究工作流的完整技术体系。2.课程注重理论与实践深度结合,通过大量上机实操与真实案例,帮助学员全面掌握AI 驱动材料模拟、性质预测与材料发现的核心方法。3..采用“理论讲解+ 实践操作 + 案例驱动”的教学模式,覆盖计算环境搭建、材料数据库、机器学习建模、图神经网络、通用势能模型(CHGNet / Mattersim / DeepMD)、动力学与扩散模拟,以及大语言模型在材料科研中的协同应用。学员将亲手构建从“数据 → 模型 → 模拟 → 优化 → 发现”的完整智能材料研究流程。 培训授课讲师 主讲老师来自全国重点大学、“211工程”重点高校,长期从事人工智能驱动材料设计与计算模拟研究,兼具深度学习算法研发、通用势能模型构建与大语言模型科研应用的交叉背景。课程围绕“深度学习 + 大语言模型协同”的智能材料研究范式,系统讲解从第一性原理与分子动力学,到图神经网络、深度势能模型及LLM科研工作流构建的核心方法,贯通“数据—模型—模拟—优化—发现”全流程。通过理论结合实操与案例训练,帮助学员快速掌握AI驱动材料设计与智能发现的关键技术与跨学科能力。 培训内容大纲 第一天:计算环境+ Python 科学计算 + 材料建模基础 上午:计算环境基础与材料模拟理论 (1)第一性原理、分子动力学计算与Linux 环境搭建 系统介绍第一性原理计算与分子动力学模拟的基本思想、适用范围与典型应用场景,帮助学员建立对现代材料模拟方法体系的整体认识。讲解Linux 操作系统在科学计算中的基本使用方法,包括文件系统、常用命令、环境配置与软件部署方式,并介绍科学计算常用软件栈的组织方式与管理方法。 实践内容:在Linux 环境下完成 Python 与材料模拟相关工具链的基础运行环境搭建。(2)高通量计算与自动化脚本基础讲解超算作业调度系统SLURM / PBS 的基本使用方式与作业提交流程,系统介绍 Bash 脚本中的循环结构、条件判断与函数封装等常用编程方法,并以材料模拟中的参数扫描与收敛性测试为例,讲解如何构建自动化批量计算流程,实现大规模计算任务的高效管理。 实践内容:编写用于批量计算与参数扫描的自动化脚本,实现简单高通量计算流程。 下午:Python 科学计算与专业材料工具 (1)Python 科学计算生态系统系统讲解NumPy、Pandas、Matplotlib、SciPy 在材料数据处理、数值计算与科学绘图中的典型用法,介绍晶体结构、原子坐标、晶格参数与物性数据的数组化表示方法,并讲解如何进行统计分析与可视化展示。同时介绍 Jupyter Notebook 在可复现计算流程、科研记录与结果展示中的应用方式。 实践内容:使用Python 对材料结构与物性数据进行读取、处理、统计分析与可视化展示。 (2)专业材料分析工具:ASE 与 Pymatgen系统讲解ASE 在原子结构构建、文件格式转换、几何优化与分子动力学模拟设置中的应用方法,讲解 Pymatgen 在晶体对称性分析、缺陷建模、热力学与电子结构数据处理等方面的核心功能,并介绍如何构建从结构生成、第一性原理计算到后处理分析的自动化材料模拟工作流。 实践内容:使用ASE 与 Pymatgen 进行分子、晶体与界面模型的构建、分析与可视化。 (3)材料数据库入门与初步机器学习建模讲解现代材料研究中材料数据库在数据驱动材料发现中的重要作用,介绍C2DB 二维材料数据库与 MOF 数据库的结构、分类方式与 API 使用方法。系统讲解面向机器学习的材料数据准备流程,包括数据清洗、缺失值处理、特征筛选与数据质量评估等关键步骤。 实践内容:从材料数据库中获取数据,完成数据预处理,并基于DeepSeek 构建第一个材料性质回归模型。 上午:GPAW 第一性原理计算与材料性质模拟 (1)GPAW DFT 计算框架与材料性质计算实战系统介绍GPAW 密度泛函理论计算框架的基本原理、数值实现方法及其在材料模拟中的典型应用场景。讲解材料结构优化的标准流程,包括截断能、k 点采样的收敛性测试方法。随后以典型半导体与金属体系为例,讲解能带结构计算的布里渊区路径设置方法、能带图的绘制方式与物理含义解读。同时介绍表面与界面体系的建模方法,并讲解分子在表面吸附构型搜索、吸附能与反应能的计算流程。 实践内容:完成典型材料体系的结构优化、能带结构计算,以及简单表面吸附体系的构型优化与吸附能计算。 (2)多物性第一性原理计算方法系统讲解基于第一性原理的多物性计算方法,包括扫描隧道显微镜(STM)模拟的理论基础与局域态密度分析方法,拉曼光谱计算中声子模式与拉曼活性选择定则的物理背景,以及材料光学性质(介电函数、吸收系数等)的计算流程。同时结合二维材料体系,介绍其电子结构与光学性质的计算特点,并以催化表面体系为例,讲解表面吸附与反应相关性质的计算策略。 实践内容:完成STM 模拟、拉曼光谱计算、光学性质计算,并对催化表面吸附体系进行第一性原理计算;同时演示基于高精度一致性数据集的高通量自动化计算流程。 下午:材料数据库 + 机器学习建模 (1)材料数据库的获取、管理与智能查询系统介绍MC2D、Materials Project 与 AFLOW 等主流材料数据库的数据结构、数据类型与典型应用场景,同时讲解 CSD、CoRE-MOF 与 QMOF 等结构数据库中的数据特点与结构可视化、格式转换方法。随后讲解材料数据在进入机器学习建模前的数据质量评估流程,包括数据完整性检查、异常值识别与基本筛选策略,并介绍大语言模型结合 MCP 协议进行自然语言数据库查询与智能检索的基本思路。 实践内容:通过数据库API 从多个材料数据库中获取数据,完成数据整理、初步清洗与结构信息解析。 (2)机器学习在材料性质预测中的建模流程系统讲解材料机器学习模型中常用的描述符构建方法,包括结构特征、电子特征与化学特征等多种信息的组合方式。随后以多个典型任务为例,讲解回归模型在材料形成能预测、弹性力学性质预测以及HER 催化吸附自由能预测中的建模流程。同时介绍模型评估方法,包括学习曲线、交叉验证与泛化误差分析等,用于判断模型的可靠性与适用范围。 实践内容:使用matminer 构建多种材料性质预测模型,分别完成材料热力学稳定性、弹性力学性质与吸附自由能的回归预测,并对模型效果进行评估与对比分析。 上午:图神经网络与 CGCNN (1)图神经网络与CGCNN 在材料性能预测中的应用系统回顾深度学习在材料科学中的发展历程与相较传统机器学习方法的核心优势,介绍图神经网络(Graph Neural Network, GNN)的基本思想,包括图表示学习与消息传递机制等核心概念。随后重点讲解 CGCNN(Crystal Graph Convolutional Neural Network)的模型原理与网络架构,包括晶体结构的图表示方法、卷积操作在晶体图中的实现方式,以及面向回归与分类任务的网络设计思路。同时对比深度学习方法与传统机器学习方法在预测精度、特征工程依赖程度与数据需求等方面的差异。 实践内容:使用CGCNN 模型对典型材料数据集进行训练与测试,完成材料形成能、吸附能等性质的预测任务,并分析模型预测效果。 (2)深度学习模型在材料数据建模中的方法对比与应用分析进一步结合具体案例,分析图神经网络模型在处理复杂晶体结构数据时相较传统描述符方法的优势与适用场景,讨论模型在不同数据规模与不同材料体系下的表现特点,并介绍模型训练过程中的基本调参与误差分析方法,为后续通用势能模型的学习打下基础。 实践内容:对CGCNN 模型的关键参数进行简单调节,对比不同模型设置下的预测性能差异。 下午:CHGNet 通用势能模型 (1)神经网络势能模型发展与CHGNet 架构解析系统介绍神经网络势能函数从传统经验力场到深度学习势能模型的发展历程,讲解CHGNet 通用材料势能模型的整体设计思想与网络架构。重点讲解图神经网络在势能建模中的应用方式,以及 CHGNet 中电荷—几何—磁性信息的联合建模策略,并介绍多任务学习框架下同时预测能量、原子力与应力张量的实现方法。 实践内容:调用预训练CHGNet 模型对典型材料体系进行能量与结构稳定性预测,并对预测结果进行初步分析。 (2)CHGNet 与第一性原理计算的对比及实际应用系统对比CHGNet 等通用势能模型与传统第一性原理计算在精度、计算效率与适用规模方面的差异,讲解预训练模型的使用方式及其在大规模材料筛选中的优势。随后结合具体材料体系,演示如何使用 CHGNet 进行结构优化、性质预测,并进一步拓展到材料磁性与结构相关性质的快速评估。 实践内容:使用CHGNet 完成材料结构优化与势能预测,并对材料的磁性与结构稳定性等性质进行预测与分析。 (1)通用模型的声子谱与热学性质预测系统讲解基于Mattersim 等通用材料大模型进行晶格动力学与声子谱计算的基本原理,包括声子色散关系与声子态密度(DOS)的物理含义及其分析方法。在此基础上,介绍如何进一步利用声子信息计算材料的热导率、热容与德拜温度等关键热学性质,并讲解这些物性在热管理与功能材料设计中的重要意义。 实践内容:使用Mattersim 模型对典型材料体系进行声子谱计算,分析声子色散关系与态密度,并完成热学性质(热容、德拜温度等)的预测。 (2)通用模型的微调策略与小样本学习系统介绍预训练通用势能模型在特定材料体系或特定物性任务上的微调方法,讲解小样本学习在材料科学中的应用场景与基本思路,以及如何通过有限的高精度数据对通用模型进行材料体系适配,从而在保证精度的同时大幅降低重新训练模型的成本。 实践内容:使用Mattersim / MACE 对特定材料体系进行模型微调,并将微调后的模型应用于晶格动力学计算及催化吸附 / 解离相关性质预测。 下午:DeepMD 与离子扩散 (1)深度势能模型的构建与应用系统介绍DeepMD-kit 框架的整体工作流程,包括描述符构建、神经网络模型训练与模型验证方法。结合多种典型材料体系,讲解 DeepMD 在金属体系与固态电解质材料中的应用方式,并介绍如何利用深度势能模型高效计算材料的弹性性质、状态方程(EOS)以及声子谱等物理量。 实践内容:演示使用DeepMD 势能模型对典型材料体系进行性质计算,包括弹性性质与状态方程分析。 (2)过渡态搜索与离子扩散性质计算系统讲解过渡态(NEB)方法的基本原理及其在扩散过程研究中的应用,介绍如何基于深度学习势能模型高效搜索离子迁移路径与过渡态结构。以 LiFePO₄ 等锂离子电池相关材料为例,讲解锂离子在固体材料中的扩散机制与扩散能垒的计算方法,并进一步介绍如何由此估算扩散系数等动力学参数。 实践内容:完成固态电解质或锂电材料中Li 离子扩散路径的 NEB 计算,并基于计算结果估算离子扩散能垒与扩散系数。 (1)大语言模型在材料模拟流程中的应用系统介绍大语言模型(LLM)在材料模拟与计算材料科学工作流中的应用方式,包括在计算结果自动解读、结果总结与报告生成中的作用。讲解如何利用大语言模型辅助进行文献调研与信息抽取,以及在材料数据挖掘与知识整理中的应用场景。同时介绍基于 Ollama 的本地大模型自动化部署方式,以及如何将大语言模型嵌入到日常科研计算流程中。 实践内容:使用大语言模型对已有材料模拟计算结果进行自动分析与摘要生成,并演示基于本地模型的基本调用方式。 (2)LLM + 材料模拟 + 数据库的协同工作流系统讲解如何将大语言模型与材料模拟软件及材料数据库进行联动,构建从“问题描述 → 数据检索 → 计算执行 → 结果分析 → 报告生成”的一体化智能工作流。重点介绍自然语言接口在数据库检索与计算流程组织中的作用,以及多工具协同调用的基本设计思路。 实践内容:构建一个简单的LLM 驱动材料模拟辅助流程,实现从自然语言查询到数据库检索与结果汇总的自动化演示。 下午:AI 协同材料发现与全局优化 (1)AI 材料发现工作流与全局结构搜索方法系统讲解AI 驱动的材料发现整体工作流,包括数据准备、模型预测、候选结构筛选与高精度验证的基本流程。在此基础上,介绍两类常用的全局优化算法——遗传算法与粒子群优化算法的基本思想、适用场景及其在材料结构搜索问题中的应用方式。 实践内容:演示遗传算法或粒子群优化在简单结构搜索问题中的基本使用流程。 (2)基于通用势能模型的材料结构搜索与课程总结讲解如何将通用深度势能模型与全局优化算法相结合,用于新材料结构的高效搜索与筛选,并对搜索得到的候选结构进行快速性质评估。随后对整个五天课程中涉及的计算材料学、机器学习、深度学习与大语言模型技术路线进行系统梳理与总结,帮助学员建立完整的AI 驱动材料研究技术框架。 实践内容:使用通用势能模型结合全局优化算法完成新材料结构搜索示例,并对搜索结果进行初步分析与讨论;最后进行全课程总结与综合交流讨论。
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,聚焦人工智能技术在第一性原理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 深度学习第一性原理: 2026.04.20---2026.04.23(晚上19:00-22:00) 2026.04.25---2026.04.26(上午09:00-11:30下午13:30-17:00) 2026.04.28---2026.04.29(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。
|

