首页 >> 往期培训 >>机器学习固态电池 >> 第6届北京等贤机器学习固态电解质培训班第一轮通知
详细内容

第6届北京等贤机器学习固态电解质培训班第一轮通知

发布日期:2026年08月14日

培训简介 

当前,机器学习正深刻变革固态电解质的设计范式,已超越早期的简单性能预测,与原子尺度模拟、高通量筛选、生成式模型及主动学习等前沿技术深度融合,构筑起“计算预测—实验验证—数据闭环”的智能研发新范式。机器学习在固态电解质领域的应用前沿主要体现在:一是开发高保真机器学习力场实现大尺度、长时间的高效分子动力学模拟;二是仅基于化学式或晶体结构即可实现高精度的离子电导率与电化学窗口预测;三是融合生成式AI与LLM,从超大化学空间进行材料的创造性设计;四是引入主动学习,以最少的高成本实验获得最优预测模型。此外,诸如OBELiX、LiPS-25等专用数据库的构建为算法训练提供了坚实数据基础。展望未来,该领域的核心挑战在于发展高度可解释的模型以深入理解材料构效关系,并构建“设计-合成-表征-测试”全流程闭环的自主实验室。机器学习正以“催化剂”的姿态,与原子模拟、界面工程等策略形成协同效应,推动固态电解质研发从“大海捞针”的经验试错迈向“按需定制”的理性设计,但前路仍需持续探索与深耕。

培训目标 

1. 理解锂离子电池固态电解质(SSE)的材料体系、关键性能指标、界面问题与当前研发瓶颈。


2. 掌握从DFT、AIMD、经典MD和机器学习分子动力学中提取材料数据的方法,包括能量、力、应力、MSD、扩散系数、离子电导率、局域结构和界面反应信息。

3. 掌握Python材料数据处理流程,能够使用Numpy、Pandas、Matplotlib/Seaborn、Pymatgen、ASE和Matminer构建固态电解质数据集。

4. 掌握面向固态电解质的特征工程方法,包括组成特征、结构特征、RDF、配位环境、连续对称度量(CSM)、局域畸变和界面描述符。

5. 能够使用Scikit-learn构建并评估离子电导率、扩散能力、界面稳定性等监督学习模型,并进行特征重要性和模型不确定性分析。

6. 理解图神经网络与通用/领域专用机器学习势函数的基本思想,并能围绕CHGNet、MACE、DeePMD、DPA-SSE和MTP案例完成模型验证和结果解析。

7. 学习最新论文中的应用路线:硫化物DPA-SSE预训练势、高熵LZSP双阶段筛选、Li2ZrCl6深度学习加速MD、Li|Li3PS4界面SEI形成、LiF/Li2CO3无定形SEI组分输运、Na4P2S7玻璃电解质MACE微调等。

8. 通过连续练习完成一个小型端到端项目:数据整理→ 特征提取 → 模型训练 → 候选材料筛选 → 机理解释 → 汇报材料。

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:固态电解质问题定义、数据来源与输运计算实践


上午:固态电解质与AI应用快速导入

1.1 固态电解质核心概念精讲

固态电解质分类:硫化物、氧化物、卤化物、聚合物、复合电解质和玻璃态电解质。

关键性能:离子电导率、电子电导率、电化学窗口、热稳定性、空气/湿度稳定性、机械性能、界面相容性。

理论压缩:只保留离子迁移机制、能垒、缺陷、局域畸变和渗流网络等与机器学习建模直接相关的概念。

1.2 近期论文路线图

案例一:DPA-SSE预训练深度势用于硫化物固态电解质,关注可迁移性、出平衡构型和模型蒸馏。

案例二:高熵LZSP双阶段机器学习框架,结合微调CHGNet和SF-MSD结构-输运映射筛选4575个五元组合。

案例三:Li2ZrCl6卤化物电解质深度学习加速MD,比较有序/无序α相和β相中的各向异性输运。

案例四:Li|β-Li3PS4界面SEI形成的MTP大尺度MD,解析快速扩散、成核、Li2S生长和稳定化四阶段。

案例五:无定形LiF/Li2CO3和Na4P2S7玻璃电解质中的局域环境、玻璃结构和迁移机制。

1.3 课程软件环境与数据包检查

实操:检查Anaconda/Jupyter、Numpy、Pandas、Scikit-learn、Pymatgen、ASE、Matminer、Matplotlib、Seaborn。

实操:检查可选工具:VASP输出解析环境、LAMMPS、OVITO/VMD、DeepMD-kit、MACE、CHGNet或预计算结果包。

实操:建立课程目录结构:raw_data、processed_data、notebooks、models、figures、reports。

练习:读取一个CIF/POSCAR文件,输出化学式、晶格常数、空间群和密度。

下午:DFT/MD数据读取与离子输运计算

1.4 从计算输出提取材料属性

快速回顾:形成能、分解能、电化学窗口、迁移能垒、AIMD轨迹的用途。

实操:用Pymatgen/ASE读取vasprun.xml、OUTCAR、XDATCAR或示例轨迹。

实操:提取能量、力、应力、晶胞体积、温度、原子坐标和元素标签。

练习:比较两个固态电解质样例的形成能和结构参数,整理为CSV。

1.5 MSD、扩散系数和离子电导率计算

实操:从MD轨迹计算Li离子MSD曲线。

实操:线性区间选择、扩散系数拟合和Nernst-Einstein方程计算离子电导率。

实操:Arrhenius拟合与迁移活化能估计。

练习:对不同温度轨迹拟合电导率,讨论低温外推可能带来的误差。

1.6 论文复现实验:SEI组分输运判断

案例:无定形LiF、Li2CO3及混合体系中的Li扩散,关注局域Li-F四面体形成对低温扩散的影响。

实操:计算RDF、配位数和局域结构随温度变化。

练习:判断“无定形化一定提升Li扩散”这一假设是否成立,并用图表给出证据。

第二天:Python材料数据处理与固态电解质特征工程

上午:材料数据清洗、可视化与基线数据集

2.1 Pandas材料数据处理实战

实操:读取固态电解质性能表,包括化学式、结构类型、温度、电导率、带隙、形成能和文献来源。

实操:统一单位,如S/cm、mS/cm、eV/atom、K和室温外推值。

实操:处理缺失值、重复材料、同一材料多温度数据和异常电导率。

练习:按材料类别统计电导率分布,并找出数据质量风险。

2.2 可视化与探索性分析

实操:绘制电导率-温度、结构类型-电导率、形成能-电导率、元素出现频次图。

实操:绘制相关性热图、箱线图和候选材料排名图。

练习:从图中提出三个可检验的材料设计假设。

2.3 基线任务定义

任务一:预测log10(室温离子电导率)。

任务二:分类判断候选材料是否达到10^-4 S/cm阈值。

任务三:预测界面组合是否具有较低反应风险。

练习:为三个任务分别定义输入特征、标签、评价指标和数据泄漏风险。

下午:组成、结构与局域环境描述符

2.4 组成特征构建

实操:使用Pymatgen/Matminer提取元素比例、平均电负性、离子半径、质量、价电子数、熔点等统计量。

实操:构建Li含量、阴离子类型、掺杂元素数、高熵组分数等固态电解质专用特征。

练习:比较硫化物、卤化物和氧化物的组成特征差异。

2.5 结构特征构建

实操:提取晶格参数、空间群、密度、体积/原子、Li位点数、空位比例。

实操:计算RDF、局域配位数、键长分布和结构无序度。

练习:为Li2ZrCl6有序α相、无序α相和β相设计能够区分输运差异的结构特征。

2.6 高熵和局域畸变特征

案例:高熵LZSP中CHGNet结构弛豫和SF-MSD模型使用RDF、CSM等特征预测MSD。

实操:计算元素混合熵、Li空位浓度、框架元素统计量和CSM类特征。

练习:解释哪些特征可能对应“稳定框架”和“适度局域畸变”。

2.7 界面描述符

实操:构建电极-电解质界面组合表,包括化学势差、反应能、体积变化、电子绝缘性和产物相信息。

练习:为Li|β-Li3PS4界面定义可用于预测SEI形成风险的5个特征。

第三天:机器学习模型训练、解释与筛选实践

上午:传统机器学习预测离子电导率

3.1 回归模型训练流程

实操:划分训练集、验证集和测试集,避免同一材料多温度数据泄漏。

实操:训练线性回归、岭回归、随机森林、梯度提升树和SVR模型。

实操:评价MAE、RMSE、R2、Spearman相关系数和Top-k命中率。

练习:比较不同模型对高电导率材料排序能力的差异。

3.2 分类模型与阈值筛选

实操:将材料标记为高/中/低电导率类别。

实操:训练逻辑回归、随机森林和梯度提升分类器。

实操:绘制混淆矩阵、ROC曲线、PR曲线。

练习:在类别不平衡条件下选择合适评价指标。

3.3 模型解释与误差分析

实操:使用特征重要性、Permutation importance和SHAP解释模型。

实操:定位预测失败样本,区分数据噪声、外推化学空间和特征不足。

练习:用SHAP结果解释Li空位、局域畸变和阴离子化学对电导率预测的影响。

下午:高通量筛选与小型主动学习

3.4 高熵固态电解质筛选复现实践

案例:以高熵LZSP双阶段框架为模板,先用结构弛豫/预计算结构特征,再用SF-MSD类模型预测MSD。

实操:生成一批虚拟掺杂组合,计算组成和结构特征。

实操:用训练好的模型给出MSD或电导率排序。

练习:筛选Top 20候选材料,并给出保守筛选、激进筛选两套标准。

3.5 模型不确定性与主动学习

实操:用模型集成或交叉验证方差估计预测不确定性。

实操:选择“高性能高不确定性”和“代表性不足”的下一批计算样本。

练习:设计一轮主动学习:新增10个DFT/MD标注点后如何更新模型。

3.6 论文读图与方法拆解

练习:分组拆解一篇近期论文的方法图,明确输入数据、模型、标签、验证方式和材料结论。

练习:判断论文结论中哪些属于模型预测、哪些属于物理机理解释、哪些需要实验验证。

第四天:图神经网络、通用模型与机器学习势函数实践

上午:GNN与预训练材料模型应用

4.1 图神经网络快速入门

快速回顾:晶体图、节点、边、消息传递、周期边界和结构到性质映射。

模型示例:CGCNN、SchNet、MEGNet、ALIGNN、M3GNet、CHGNet、MACE。

理论压缩:只讨论模型输入、适用任务、误差来源和材料数据需求。

4.2 预训练模型做结构弛豫和性质预测

实操:调用CHGNet/M3GNet/MACE或预计算结果,对固态电解质结构进行快速弛豫。

实操:比较DFT弛豫与ML模型弛豫的能量、体积、键长和RSSD误差。

练习:判断何时可以用预训练模型直接筛选,何时必须微调或重新标注。

4.3 结构到输运的代理模型

实操:用预训练模型弛豫结构后提取RDF、CSM和Li位点特征。

实操:训练一个简化SF-MSD代理模型预测MSD区间。

练习:比较SISSO/线性模型、随机森林和梯度提升树在排序任务中的表现。

下午:机器学习势函数与深度学习加速MD

4.4 MLIP训练数据与验证

案例:DPA-SSE覆盖硫化物电解质的平衡和出平衡构型;Na4P2S7玻璃中MACE微调纠正不合理P-P键和P2S6结构单元。

实操:读取训练/测试集的能量、力、应力,绘制DFT vs MLIP散点图。

练习:根据能量MAE、力MAE、RDF和MSD判断MLIP是否可用于输运模拟。

4.5 MLIP-MD轨迹分析

实操:使用预计算MLIP-MD轨迹计算MSD、RDF、van Hove函数和位点停留时间。

案例:Li2ZrCl6中无序α相更高电导率、α相层间各向异性扩散、β相层内近各向同性扩散。

练习:用van Hove函数和停留时间判断Li迁移是连续扩散还是位点跳跃。

4.6 势函数微调与模型迁移

实操:比较通用MACE/CHGNet和少量体系数据微调后的结构预测差异。

实操:设计一个微调数据集:平衡结构、升温轨迹、迁移过渡态、界面反应构型。

练习:说明为什么出平衡构型对离子迁移和界面反应模拟重要。

4.7 小组实验:选择合适的MLIP方案

任务:给定硫化物、卤化物、玻璃态和界面反应四个研究目标,选择DPA-SSE、MACE微调、CHGNet微调、DeePMD或MTP方案。

第五天:界面工程、AI生态与综合项目汇报

上午:界面/SEI建模与多目标材料设计

5.1 固态电池界面问题精讲与案例拆解

界面类型:Li金属负极|SSE、正极|SSE、晶界、玻璃-晶体界面和复合电解质界面。

关键指标:界面反应能、SEI/CEI组成、离子-电子传导、机械失效、空间电荷和电势分布。

案例:Li|β-Li3PS4界面SEI四阶段演化及Li2S晶区/无定形区共存。

5.2 界面反应与SEI形成练习

实操:从相图或预计算反应数据中推断界面分解产物。

实操:分析SEI厚度、产物分布、Li势能剖面和离子迁移阻力。

练习:对比LiF、Li2CO3、Li2S和磷化物产物对界面Li输运的可能影响。

5.3 多目标筛选与材料设计决策

实操:同时考虑电导率、稳定性、成本、空气稳定性、机械性能和界面兼容性。

实操:构建Pareto前沿和加权评分表。

练习:为硫化物、卤化物和氧化物各选择一个候选体系,并说明下一步验证计算。

下午:综合项目、课程总结与前沿展望

5.4 综合项目实践

项目目标:完成一个小型机器学习辅助固态电解质发现流程。

实操:整理候选材料数据,生成组成/结构/局域环境特征。

实操:训练或调用模型预测电导率/MSD/稳定性,筛选Top候选。

实操:对Top候选做解释性分析,给出关键特征和潜在机理。

练习:写出下一轮DFT、MD、MLIP或实验验证计划。

5.5 课程总结与未来方向

回顾:从DFT/MD数据到机器学习模型、从代理筛选到MLIP-MD、从体相输运到界面工程。

前沿方向:领域专用基础模型、主动学习闭环、生成式材料设计、多模态模型、自动化实验室、物理约束AI和可复现数据库。

讨论:如何把课程流程迁移到学员自己的材料体系和研究课题。


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,聚焦人工智能在固态电解质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

机器学习固态电解质专题:

2026.12.06(上午09:00-11:30 下午13:30-17:00)

2026.12.07---12.10(晚上19:00-22:00)

2026.12.12---12.13(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