首页 >> 往期培训 >>机器学习催化剂设计 >> 第8届北京等贤机器学习催化剂设计培训班第一轮通知
详细内容

第8届北京等贤机器学习催化剂设计培训班第一轮通知

发布日期:2026年08月14日

培训简介 

机器学习正在推动催化科学从传统的“试错探索”迈向“智能预测与逆向设计”的新时代。通过融合机器学习、深度学习、图神经网络(GNN)、生成式人工能(Generative AI)以及材料大模型,研究者能够利用海量DFT计算数据、实验数据库和多尺度模拟结果,快速建立催化剂结构—性能之间的复杂映射系,实现活性位点识别、反应路径预测、吸附能计算以及高性能催化材料筛选。近年来,基于GNN的原子级表征方法能够直接学习材料晶体结构与化学键关系,在析氢反应(HER)、析氧反应(OER)、二氧化碳还原(CO₂RR)、燃料电池催化剂以及单原子催化剂设计等领域展现出巨大潜力,大幅提升了催化材料发现效率。 同时,Open Catalyst Project(OC20/OC22)等大规模数据集推动了AI模型在催化表面吸附预测和新能源催化剂筛选中的应用,使机器学习模型能够探索传统计算难以覆盖的庞大材料空间。 当前,材料基础模型、AI智能体(AI Agent)、生成式设计与自动化实验平台正在进一步构建“A预测—结构生成—计算验证—实验反馈”的闭环研发体系,使催化剂设计由性能预测逐渐迈向自主发现,为绿色能源、氢能利用、碳减排和下一代化工技术发展提供全新的智能化解决方案。

培训目标 

1. 课程将系统引导学员深入理解催化反应的核心原理,对CO2RR、HER、硫还原、甲烷C-H活化及光催化等典型体系建立更深刻的认识,同时全面剖析机器学习在催化与材料科学领域的应用背景与适用范畴。通过 Python 语言基础与机器学习算法的专项训练,学员不仅能清晰梳理机器学习从萌芽到蓬勃发展的历史脉络,洞悉其在信息时代各领域的多元应用形态,更能通过实践操作,真正掌握将机器学习技术应用于科学研究的关键技能。

2. 课程助力学员精准把握传统机器学习算法、深度学习算法与图深度学习算法的本质差异,熟练掌握python第三方库(NumPy、Pandas、scikit-learn、PyTorch、PyTorch Geometric、pymatgen、matminer等)的核心功能与应用技巧。通过系统学习与实践,学员将能够灵活运用线性模型、逻辑回归、K近邻、朴素贝叶斯、支持向量机、决策树、集成学习模型、深度神经网络及图卷积神经网络等算法模型深度融入科学研究场景,并掌握无监督学习、特征工程、符号回归与迁移学习等进阶方法。

3. 借助SHAP等机器学习可解释性分析方法,结合知识图谱与反应网络建模,深入挖掘数据背后的科学规律,精准阐释催化反应机制,实现数据驱动与理论解析的深度融合,为科学研究提供创新分析视角与可靠技术支撑,为进一步优化催化材料性能、设计新型催化体系提供理论支撑,推动催化领域朝着智能化、精准化方向迈进。

4. 课程聚焦深度学习与图深度学习在催化材料设计中的前沿应用,系统讲解DNN、RNN、CNN、LSTM及Transformer等深度网络的基础框架与核心原理,引导学员熟练掌握PyTorch编程实践,能够独立搭建并训练深度神经网络用于光催化剂筛选等实际课题。进一步深入图深度学习领域,涵盖图卷积神经网络(GCN)、图注意力网络(GAT)及CGCNN等经典模型的原理与代码实现,学员将学会使用PyTorch Geometric与networkx构建图数据结构、封装晶体特征,并结合知识图谱与反应网络建模,实现对催化反应路径与材料性能的精准预测,为面向复杂催化体系的智能化设计提供强有力的深度学习工具链。

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电催化剂设计,在深度学习及图深度学习辅助的催化剂设计研究领域深耕多年,具有丰富的经验和扎实的基础。在多个顶级期刊上发表高水平研究论文70余篇。他的授课方式深入浅出,擅长将复杂的理论知识与计算方法转化为清晰易懂的内容,让学员轻松理解掌握。

培训内容大纲

第一天上午

理论内容(约1小时):

1. 机器学习概述

2. 材料与化学中的常见机器学习方法

3. 应用前沿

实操内容 (约1.5小时)

1. Python基础:变量和数据类型,列表,字典,if语句,循环,函数

2. Python科学数据处理:NumPy,Pandas,Matplotlib 

案例:随着AI for Science时代的到来,机器学习正以迅猛的速度渗透到各个学科领域。本次培训将系统讲解Anaconda从下载、安装到环境配置的完整流程,无论你是数据科学入门新手还是进阶学习者,都能借此熟练掌握Anaconda的核心操作要点,轻松搭建起规范的编程开发环境,为后续的Python编程、数据分析与科研计算工作打下坚实基础。

第一天下午  

理论内容(约1小时):

1. sklearn基础介绍

2. 线性回归原理和正则化

实操内容 (约2小时)

1. 线性回归方法的实现与初步应用

2. L1和L2正则项的使用方法

3. 线性回归用于硫还原电催化剂的筛选

4. 机器学习方法用于高活性聚乙烯催化剂的理性设计

5. pymatgen获取Material Project数据库中的结构

案例:高活性聚乙烯催化剂的理性设计是烯烃聚合领域的重要目标之一,但由于广阔化学空间中复杂的结构-条件-活性关系,建立系统的催化剂设计原则一直具有挑战性。基于实验数据集、可解释机器学习(GBR与SHAP分析)、大规模结构生成与高通量筛选,建立了一条从实验数据到可操作催化剂设计的数据驱动框架,并揭示了受Sabatier原理控制的火山型温度依赖规律及依赖金属的分子设计规则。

第二天上午

理论内容(约1小时):

1.  逻辑回归

1.1原理

1.2 使用方法

2.  K近邻方法(KNN)

2.1  KNN分类原理

2.2  KNN分类应用

3. 神经网络方法的原理

3.1 神经网络原理

3.2神经网络分类

3.3神经网络回归

实操内容(约1.5小时)

1. 逻辑回归的实现与初步应用

2. KNN方法的实现与初步应用

3. 神经网络实现

4. 机器学习模SISSO预测双金属催化剂催化效率 

案例:氮掺杂石墨烯负载的双金属位点催化剂(DMSCs)由于其独特的性能和更高的效率,在多相催化中显示出巨大的潜力。然而金属二聚体的精确控制和稳定,特别是在氧活化反应中的精确控制和稳定,给实际应用带来了巨大的挑战。通过应用SISSO方法可以推导出可解释的符号回归模型,揭示电子结构特征和催化效率之间的关键关联。该方法不仅促进了对双金属位点催化的理解,而且为高效催化剂的系统设计和优化提供了一个新的框架,在催化科学中具有广泛的适用性。

第二天下午

项目实操(约2.5-3小时):

1. 基于多元迁移学习方法预测二氧化碳还原电催化剂

2. 基于matminer生成结构特征

这两个实操项目同时穿插讲解如下内容

A1 机器学习材料与化学应用的典型步骤

A1.1 数据采集和清洗

A1.2 特征选择和模型选择

A1.3 模型训练和测试

A1.4 模型性能评估和优化 

案例:在复杂的异质系统中,数据驱动的催化剂发现因动力学数据匮乏以及传统线性缩放关系因局部配位环境多样性而失效。以甲烷C-H活化为例,MS-TL框架将初始、过渡和终态对应的热力学描述符作为源域,实现多维热力学知识的深度融合,同时保留局部结构信息。通过提出一种温度屏障复合动力学描述符,能够定量地将微观理论计算与宏观实验中的甲烷氧化速率联系起来,为在真实操作条件下进行催化剂设计建立了一个基于数据的新范式。

第三天上午

理论内容(约1小时):

1.决策树

1.1 决策树的原理

1.2 决策树分类

2. 集成学习方法

2.1 集成学习原理

2.2 随机森林

2.3 Bosting方法

3.朴素贝叶斯概率

3.1原理解析

3.2 模型应用

4.支持向量机

4.1分类原理

4.2核函数

实操内容(约1.5小时)

1. 决策树的实现和应用

2. 随机森林的实现和应用

3. 朴素贝叶斯的实现和应用

4. 支持向量机的实现和应用 

案例:集成学习凭借多模型的层级组合与融合策略,在提升模型整体性能上展现出显著优势。在数据挖掘场景中,面对规模庞大、结构复杂的数据,单一模型往往难以全面捕捉数据中蕴含的多维特征。集成学习则通过聚合多个弱学习器的能力,先让各基础模型从不同视角对数据进行挖掘学习,再通过加权融合等方式整合各模型的输出结果,从而实现对机器学习结果更为全面与深入的解析。

第三天下午

项目实操(约2.5-3小时)

1. 机器学习加速设计新型过渡金属氮化物

2. SHAP机器学习可解释性分析

3. 这两个实操项目同时穿插讲解如下内容

A1 模型性能的评估方法

A1.1 交叉验证:评估估计器的性能

A1.2 分类性能评估

A1.3 回归性能评估 

案例:富氮型氮化铁(FeNx)是一类具有代表性的过渡金属氮化物,因其具有多聚氮基序和优异的机械和能性而受到广泛关注。通过机器学习集成的DFT+U (DFT+UML)方法,以捕获Hubbard效应,并系统地探索FeNx (x = 1、2、4、6、8或10)系统。发现P21/c-FeN4相在0 GPa下保持稳定,在能量和力学性能上都优于传统链状FeNx材料,显示出极强的应用潜力,为设计富氮含能材料和指导高压合成提供了新的策略。

第四天上午

理论内容(约1小时):

1. 无监督学习

2.1 什么是无监督学习

2.2 无监督算法——聚类

2.3 无监督算法——降维

2. 材料与化学数据的特征工程

2.1分子结构表示

2.2 独热编码

实操内容(约1.5小时)

1. K-means聚类用于鸢尾花数据集实现和应用

2. T-SNE、PCA实现多维结构物理空间信息表示

3. 层次聚类的实现和应用 

案例:无监督学习是从无标签数据中挖掘模式与结构,t-SNE作为其重要降维工具,专注于保留高维数据点间局部结构。t-SNE 作为无监督降维工具,通过保留高维数据点间的局部相似性,将这些难以直观理解的高维特征映射到二维平面上,使原本抽象的“材料物理空间”变得可视化、可解释课程将深入讲解t-SNE核心原理。还会进行代码实操,涵盖数据加载、参数调优、降维及可视化等环节,让学员熟练掌握t-SNE在不同场景的应用,助力探索数据潜在结构与模式。

第四天下午

项目实操(约2.5-3小时)

理论内容(约1小时):

1.深度学习理论基础

2.DNN、RNN、CNN、LSTM及Transformer基础框架介绍

实操内容(约1.5小时)

1. torch基础练习

2. 应用RNN、CNN、LSTM模型筛选光催化剂 

案例:近年来,结合高通量(HT)和机器学习(ML)的策略以加速有前途的新材料的发现已经引起了人们的极大关注。因此,可以设计一种直观的方法,通过数据库并结合深度学习模型,并将它们与HT方法耦合,以寻找高效的材料。因此,通过更加深度的理解结果和光催化剂载流子弛豫动力学尤为重要。通过利用机器学习方法,不仅可以揭示光生载流子的激发、迁移、复合及弛豫的微观机制,还能从海量动力学轨迹中提取关键描述符,建立“结构-动力学-性能”之间的定量映射关系,从而为高通量筛选与理性设计高效光催化材料提供坚实的理论依据与预测指导。


第五天上午

理论内容(约1小时):

1. 图深度学习理论基础介绍

2. 图网络进阶知识详解

3. 图深度学习应用实例OC20、HER电催化剂开发挑战(ACS Catalysis)

实操内容(约1.5小时)

1. PyTorch Geometric基础代码介绍

2. networkx用于图结构构建及可视化

3. PyTorch Geometric封装图数据结构

4. PyTorch Geometric搭建图卷积神经网络、图注意力网络并训练模型 

案例:近年来,在晶体性能预测领域,图神经网络(GNN)模型取得了充分的发展。GNN 模型可以有效地从晶体结构中捕捉高维晶体特征,从而在性能预测中获得最佳性能。与此同时,知识图谱技术被广泛引入材料科学领域,用于结构化地存储与关联晶体组分、合成路径、实验条件与性能数据,为模型训练提供了丰富的先验知识与跨尺度语义关联;而反应网络则将晶体形成与演化过程中的中间态、反应路径及能量壁垒以图的形式进行建模,进一步拓展了图结构数据的表征边界。指导学员搭建图深度学习开发环境,以顺利构建涵盖晶体结构、知识图谱与反应网络的多源图结构数据,并进行机器学习训练,具有重要的实践意义。

第五天下午

项目实操(约2.5-3小时)

1.图神经网络模型基本概述及CGCNN代码深度解读应用

2.基于图论构建反应网络用于光辅助锂硫电池最优路径发现

3.机器学习用于高性能水氧化制备过氧化氢及可解释分析

4.neo4j构建光辅助锂硫电池反应网络

5.知识图谱建模高熵材料属性 

案例:光充电电池的快速发展是由对太阳能高效利用的需求驱动的,而光辅助锂硫电池由于其优异的充放电性能,成为下一代高能量密度系统的有力竞争者。光电催化的协同作用抑制了穿梭效应,加速了16电子硫还原反应,使反应途径的确定成为光电催化的核心挑战。通过多尺度机器学习揭示活性位点和光催化机理对改进工艺具有重要意义。本此培训以指导学员依据反应中间体,建立图反应网络结构以揭示反应机理。

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,聚焦人工智能在催化剂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

机器学习催化剂设计专题:

2026.12.12---12.13 ( 上 午 09:00-11:30 下 午 13:30-17:00)

2026.12.14---12.17(晚上 19:00-22:00)

2026.12.19( 上 午 09:00-11:30 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和课程群答疑)

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

 屏幕截图_29-5-2026_15226_www.dxianai.com(1).jpeg

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13141346157@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