|
第15届北京等贤机器学习锂离子电池培训班第一轮通知发布日期:2026年08月31日 培训简介 当前,机器学习正在推动锂离子电池研究从传统“实验试错+经验建模”模式,向数据驱动、物理融合与智能设计方向快速演进。随着新能源汽车、储能系统和高功率电子设备对电池安全性、寿命和能量密度提出更高要求,传统依赖大量循环测试、参数标定和电化学建模的方法在研发期、成本和复杂退化机理解析方面面临明显瓶颈。近年来,机器学习、深度学习、Transformer、图神经网络(GNN)、物理信息神经网络(PINN)以及生成式AI等技术逐步用于SOC/SOH估计、剩余寿命(RUL)预测、热失控预警、电池材料筛选、电解液与电极配方优化、界面演化分析以及快充策略设计。前沿研究尤其强调“物理机理+数据驱动”融合,通过将电化学约束、热力学规律和退化机制嵌入模型,提高小样本条件下的泛化能力与可解释性;同时结合高通量计算、数字孪生和多模态数据,可实现从材料发现、单体性能预测到PACK级运行管理的全生命周期智能优化。未来,机器学习与电池科学的深度融合有望进一步加速固态电池、高镍正极、硅碳负极以及新型电解液等关键体系的研发,推动锂离子电池从“被动测试与控制”迈向“主动预测、智能设计和闭环优化”的新阶段。 培训目标 1. 了解锂离子电池的基本原理与当前挑战,以及机器学习在电池材料与数据分析中的应用。掌握 Python 与 Jupyter Notebook 的语法、数据结构与函数,以及 NumPy、Pandas、Matplotlib 的基本用法;能够区分回归与分类,使用 Scikit-learn 完成训练、测试与基础评估,并在电极电压等数据上比较经典模型,开展聚类与降维分析。 2. 掌握材料表格数据的特征工程,包括预处理、标准化与特征选择;能够从 Materials Project 获取材料与电池相关数据,并使用 pymatgen 解析、修改和导出晶体结构,为后续建模准备可复用的数据流程。 3. 理解神经网络的基本结构、激活函数、损失函数、梯度下降与反向传播,能够使用 PyTorch 构建全连接网络,并掌握 L1/L2、Dropout 与常用优化器。在此基础上了解 CNN、GNN、Transformer、GAN 与 VAE,能够将晶体结构表示为图,使用 CGCNN、GAT 等模型进行材料性质与电极电压预测;能够在电池寿命与健康状态预测中应用 LSTM、GRU 等时序网络。 4. 了解电池管理系统(BMS)的功能与组成,理解 SOC、SOH、SOE、SOP、RUL 等状态含义,掌握物理模型与机器学习融合的状态估计思路,能够开展充放电策略优化以及 SOC/SOH/寿命的可信预测与部署设计;并能够使用大语言模型完成电池文献的结构化提取、检索问答与辅助调参。 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,长期从事锂离子电池研究,特别是在利用计算模拟方法和机器学习技术解决锂离子电池领域的关键问题。在多个国际高水平期刊上发表 SCI 检索论文 30 余篇。授课方式深入浅出,能够将复杂的理论知识和计算方法讲解得清晰易懂。 培训内容大纲 第一天上午:锂离子电池与机器学习基础 锂离子电池与机器学习背景:回顾锂离子电池基本原理、发展与应用,梳理能量密度、寿命、安全和材料发现等关键挑战;介绍机器学习作为“数据到预测”的映射方法,及其在化学、材料与电池研究中的结合点。 Python 基础与环境:Anaconda / Jupyter 环境配置;语法、数据类型、列表与字典、条件与循环、函数。 机器学习库入门:NumPy(数组运算)、Pandas(小表读写)、Matplotlib(图)。 第一天下午:监督学习入门与电极电压预测数据工具补练:承接 NumPy、Pandas、Matplotlib,补充切片与矩阵运算、缺失值处理、CSV 读写和多子图。 监督学习与 sklearn 接口:讲清回归与分类、特征与标签;用官方数据(鸢尾花分类)跑通K-近邻、决策树、支持向量机、线性回归。逻辑回归作为分类对照,朴素贝叶斯可选。 基础评估:准确率,回归看均方误差(MSE)与 R²;训练/测试单次划分。 实操案例一:用Materials Project 电池条目预测平均电压。以组成等描述符为特征,比较 K-近邻、线性回归、支持向量回归、决策树;划分训练/测试集,R² 与 MSE 对照,画出预测–真值散点图。 第二天上午:聚类、降维与集成学习无监督学习与降维:K-均值聚类、层次聚类、主成分分析(PCA)、t-SNE。集成学习:在决策树的基础上引入 Bagging、随机森林和 Boosting。 评估升级:在单次划分、准确率 / MSE / R² 的基础上,引入交叉验证、混淆矩阵和更完整的分类/回归指标、模型选择。网格搜索只作超参数搜索的概念引入。 实操案例二:层状正极组成空间的聚类与降维验证。以组成描述符为输入,比较 K-均值与层次聚类,再用 PCA、t-SNE 可视化,并以平均电压着色,检查无监督分组是否与电化学差异对应。 第二天下午:机器学习特征工程 理论部分 系统梳理了机器学习模型构建中至关重要的数据转换与特征优化策略。从特征工程的核心定义与价值出发,详细阐释了缺失值与异常值的处理机制,并介绍了数据编码、多项式转换以及标准化与归一化等关键数据预处理技术;同时,深入剖析了过滤法、包装法与嵌入法三大核心特征选择算法,帮助学习者全面掌握从原始数据中挖掘高价值信息、降低模型复杂度并提升预测性能的方法,为后续构建高精度的锂离子电池材料性能预测模型奠定坚实的数据基础。 1. 特征工程基础与数据预处理 1.1 特征工程的定义与核心价值 1.2 缺失值与异常值处理策略 1.3 数据编码与特征转换技术 1.4 特征标准化与归一化 2. 特征选择方法 2.1 过滤法特征选择 2.2 包装法与递归特征消除 2.3 嵌入法与基于模型的特征排序 实操部分 实操案例三:锂离子电池材料数据系统演示从原始状态到建模就绪的完整预处理流程的深度实操应用。面对材料数据普遍存在的高维、含噪及多量纲特性,通过物理约束下的异常值剔除、多重插补与统计量填充处理缺失值,利用标准化消除复杂的成分信息向量间的量纲差异,全面夯实数据质量基础。深入剖析了特征降维的核心策略利用过滤法快速剔除冗余与低变异特征,这一过程不仅有效克服了维度灾难,在保持甚至提升预测精度的同时显著增强了模型的泛化能力与计算效率,更赋予了模型优异的可解释性。这套标准化的数据预处理与特征工程框架具有极强的普适性,可无缝推广至其他机器学习任务 第三天上午:Materials Project 与晶体结构数据 实操部分 1. Materials Project数据库API 1.1 Materials Project数据库简介与核心功能 1.2 MP API客户端配置与实例化 1.3 基于材料ID与化学式的精准检索 2. 晶体结构操作 2.1 晶体结构的解析 2.2 晶体结构修改与导出 实操案例四:演示了如何利用Materials Project API与pymatgen库构建自动化的数据提取管线。通过设定化学体系、热力学稳定性及带隙范围等多维度组合筛选条件,精准锁定具备高稳定性与特定电子绝缘特性的候选材料。深入剖析了晶体结构的微观操作,包括物种替换、位点调整以及CIF文件的自动化导出。该流程不仅打通了从宏观材料数据库到微观结构特征的自动化获取链路,更为后续的建模提供了标准化、高质量的数据底座。 第三天下午:深度学习入门理论部分深度学习入门内容系统梳理了神经网络的核心原理与模型优化策略。从网络基本结构出发,阐释如何通过激活函数引入非线性变换,并利用损失函数量化预测误差,进而依托链式法则的反向传播机制与梯度下降法实现参数的高效迭代与损失最小化;深入剖析过拟合与欠拟合的评估机制,并详细拆解了L1正则化、L2权重衰减以及Dropout三大核心正则化技术,旨在帮助学习者全面掌握限制模型复杂度、提升数据泛化能力的方法,为后续解决复杂的锂离子电池材料预测问题奠定坚实的算法基础。 1. 神经网络方法的原理 1.1神经网络的基本结构 1.2 两类核心任务的损失函数 1.3 梯度下降法与反向传播 1.4 常见优化算法概述 2. 模型评估与正则化技术 2.1 过拟合与欠拟合 2.2 L1正则化 2.3 L2权重衰减 2.4 Dropout 实操案例五:高稳定性材料的开发是突破离子电池循环寿命瓶颈的关键。化合物在复杂电化学环境中易发生结构退化,而广阔化学空间中的热力学稳定性难以通过传统的实验试错或高昂的第一性原理计算进行高效评估。形成能作为衡量材料稳定性的核心热力学描述符,其值越负表明材料相对于其组成单质越稳定,在实验室中越易于合成,且在实际工况下越能抵抗相变与分解。因此,建立一条从晶体结构到形成能精准预测的数据驱动框架实现材料的高通量筛选,为新型高稳定电池材料的理性设计提供了高效的理论指导。 实操案例六:开发具备严格电子绝缘性的固态电解质是防止锂离子电池内部短路、提升本征安全性的核心挑战,而准确评估海量候选材料的电子导电特性面临巨大的计算成本。依托Bi系材料数据集,以带隙作为绝缘体/半导体的关键描述符,构建基于机器学习的导电性分类模型与可解释性分析框架,实现了对材料电子绝缘性能的高效靶向筛选,有效排除了易引发短路的电子导电相,为下一代高安全固态锂电池电解质的逆向设计提供了可靠的筛选准则。 第四天上午:深度学习进阶 深度学习进阶内容系统梳理了面向复杂数据结构的前沿神经网络架构及其在材料科学中的深度应用。介绍了卷积神经网络、图神经网络、基于多头注意力机制的Transformer架构,以及用于数据生成的生成对抗网络与变分自编码器;同时,结合前沿文献展示了图神经网络在材料领域的突破性应用,包括引入晶体局部环境信息的晶体图卷积网络、构建属性预测通用框架MegNet、预测能量与原子间作用力的物理神经网络,以及通过原子线图结构进一步提升预测精度的ALIGNN模型,帮助学习者全面掌握处理非欧几里得空间数据的核心算法,为构建高精度的锂离子电池材料构效关系模型提供强大的工具支撑。 1. 进阶网络架构概述 1.1卷积神经网络 1.2 图神经网络核心原理 1.3 Transformer架构与注意力机制 1.4生成对抗网络与变分自编码器 2.图神经网络在材料中的前沿应用 2.1 晶体图卷积网络 2.2通用框架MegNet 2.3 物理神经网络PhysNet 2.4原子线图模型ALIGNN 实操案例七:晶体图卷积网络旨在解决传统材料模拟中特征工程复杂且计算成本高昂的问题,实现从晶体结构到材料性能的端到端预测。该案例基于材料数据库,将晶体的周期性原子结构直接转化为图数据结构,其中原子作为节点,化学键作为边,并自动提取原子与键的特征向量。通过多层图卷积操作,模型能够自动学习原子间相互作用,无需人工预设描述符。该方法能够实现材料物理化学性质的高精度预测,为高通量新材料筛选提供了高效工具。 实操案例八:针对钠离子电池电极材料平均电压预测这一关键任务,本案例引入了图注意力网络模型,以捕捉电池充放电过程中结构演变与电化学性能的非线性关系。该网络模型能够分别提取电极材料在低电位和高电位两种不同荷电状态下的晶体结构特征嵌入向量。通过将不同状态下的特征向量进行拼接与融合,模型成功建立了从微观晶体结构变化到宏观平均输出电压的映射关系。这一方法不仅显著提高了电压预测的准确性,还为理解离子脱嵌过程中的结构-性能机制提供了可解释的视角,加速了新型高电压电极材料的设计与开发。 第四天下午:机器学习在电池管理系统中的应用介绍 BMS 如何用可测的电压、电流、温度估计 SOC/SOH/SOP 等不可测状态,并完成充放电管理、均衡、热管理与安全保护;梳理库仑积分、ECM、热模型等物理基线,以及机器学习残差修正、分组验证与分布外回退等融合部署要点。 实操案例九:物理模型与机器学习残差修正。以一阶 ECM + 库仑积分 + 集总热模型为物理基线,构建端电压/SOC 残差或动态参数修正模型;对比纯物理、纯机器学习与混合模型的精度与外推表现,并演示分布外工况下回退到安全物理基线的部署策略。 第五天上午:机器学习在电池寿命预测中的应用 从运行数据出发,正确区分并定义 SOC、SOH 与 RUL 任务及标签,完成清洗、特征工程与按电芯分组验证,再比较基线到时序网络的模型阶梯,形成可部署到 BMS 的误差评价、不确定性与安全回退方案。 实操案例十:基于 NASA 等公开老化数据的 SOC/SOH/寿命预测一体化实战。完成数据审计、标签构建与特征表,比较 SVM、随机森林、XGBoost、CNN、LSTM、GRU、Transformer 及混合结构等多类模型;开展不同窗口长度、训练划分比例与不同电芯的对照实验,按电芯留出验证泛化能力,并给出可集成到 BMS 的输入—输出接口与回退设计。 第五天下午:大语言模型在电池材料与健康预测中的应用大语言模型基础与系统能力:从提示词工程到上下文工程,理解 ICL、CoT、检索增强、工具调用与智能体范式;明确“模型能力”与“系统能力”(检索、校验、权限、记忆)在科研与工程任务中的分工。 实操案例十一:基于大语言模型(LLM)与检索增强生成(RAG)的电池文献自动化提取与问答。以锂离子电池阳极材料文献为例,完成 PDF→图像/Markdown→结构化 JSON(材料成分、合成方法、形貌结构、电化学性能等)与表格 CSV 抽取,构建小型材料数据库;并基于向量检索搭建面向文献的 RAG 问答系统。 实操案例十二:基于大语言模型的电池容量/健康状态智能预测与自动调参(Autoresearch)。在 NASA 电池容量序列上建立 LSTM 基线,通过结构化提示工程约束 LLM 仅输出可校验的超参数实验方案(如窗口长度、网络宽度、dropout 等),由 Python 执行训练并在固定验证集上比较 RMSE,形成“提议—校验—训练—记忆”的闭环,对比 LLM 驱动搜索与人工调参的差异,强调安全边界与可复现性。 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,聚焦机器学习锂离子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 机器学习锂离子电池: 2026.11.24---11.27 (晚上19:00-22:00) 2026.11.28---11.29(上午09:00-11:30 下午13:30-17:00) 2026.12.05(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) 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。 |

