往 期 培 训

Previous Training


往期培训
  • 第2届北京等贤深度学习助力声学超材料培训班第一轮通知

    第2届北京等贤深度学习助力声学超材料培训班第一轮通知发布日期:2025年05月26日培训简介近年来,声学超材料作为材料科学领域的一颗璀璨新星,正以其独特的声波调控能力引领着声学技术的新一轮革命。这些通过精密设计的非均匀材料结构,不仅打破了传统声学材料的性能界限,还展现出了如负折射、超透镜等非凡的声学特性,为多个领域带来了前所未有的应用前景。然而,传统设计方法在应对复杂多变的声学需求时显得力不从心,设计周期长、成本高且难以获得全局最优解。正是在这样的背景下,深度学习作为人工智能领域的杰出代表,被引入到了声学

  • 第1届北京等贤深度学习助力声学超材料培训班第一轮通知

    第1届北京等贤深度学习助力声学超材料培训班第一轮通知发布日期:2025年03月14日培训简介近年来,声学超材料作为材料科学领域的一颗璀璨新星,正以其独特的声波调控能力引领着声学技术的新一轮革命。这些通过精密设计的非均匀材料结构,不仅打破了传统声学材料的性能界限,还展现出了如负折射、超透镜等非凡的声学特性,为多个领域带来了前所未有的应用前景。然而,传统设计方法在应对复杂多变的声学需求时显得力不从心,设计周期长、成本高且难以获得全局最优解。正是在这样的背景下,深度学习作为人工智能领域的杰出代表,被引入到了声学

  • 第3届北京等贤深度学习计算机视觉培训班第一轮通知

    第3届北京等贤深度学习计算机视觉培训班第一轮通知发布日期:2025年8月30日培训简介随着深度学习技术的迅速发展,计算机视觉技术领域迎来了新的机遇。传统的成像系统受限于硬件能力和物理法则,往往难以在高分辨率和高速成像之间找到平衡。然而,深度学习凭借其强大的数据处理能力和模式识别优势,正逐步突破这些瓶颈。在基于深度学习的计算机视觉技术中,神经网络能够有效建模和分析复杂数据,从而实现超分辨率成像、快速成像和高精度成像等多项挑战性任务。这一技术不仅提升了成像质量,而且显著缩短了数据处理时间,极大地扩展了其在各

  • 第2届北京等贤深度学习计算机视觉培训班第一轮通知

    第2届北京等贤深度学习计算机视觉培训班第一轮通知发布日期:2025年06月24日培训简介随着深度学习技术的迅速发展,计算机视觉技术领域迎来了新的机遇。传统的成像系统受限于硬件能力和物理法则,往往难以在高分辨率和高速成像之间找到平衡。然而,深度学习凭借其强大的数据处理能力和模式识别优势,正逐步突破这些瓶颈。在基于深度学习的计算机视觉技术中,神经网络能够有效建模和分析复杂数据,从而实现超分辨率成像、快速成像和高精度成像等多项挑战性任务。这一技术不仅提升了成像质量,而且显著缩短了数据处理时间,极大地扩展了其在各

  • 第1届北京等贤深度学习计算机视觉培训班第一轮通知

    第1届北京等贤深度学习计算机视觉培训班第一轮通知发布日期:2025年04月05日培训简介随着深度学习技术的迅速发展,计算机视觉技术领域迎来了新的机遇。传统的成像系统受限于硬件能力和物理法则,往往难以在高分辨率和高速成像之间找到平衡。然而,深度学习凭借其强大的数据处理能力和模式识别优势,正逐步突破这些瓶颈。在基于深度学习的计算机视觉技术中,神经网络能够有效建模和分析复杂数据,从而实现超分辨率成像、快速成像和高精度成像等多项挑战性任务。这一技术不仅提升了成像质量,而且显著缩短了数据处理时间,极大地扩展了其在各

  • 第3届北京等贤深度学习拓扑优化培训班第一轮通知

    第3届北京等贤深度学习拓扑优化培训班第一轮通知发布日期:2025年09月15日培训简介深度学习拓扑优化设计是一种结合深度神经网络与拓扑优化算法的先进设计方法,通过数据驱动的方式高效探索材料或结构的最佳拓扑构型。该方法利用神经网络学习设计空间中的复杂非线性映射关系,可显著加速传统迭代优化过程,并实现多物理场约束下的高性能设计。典型的框架包括:1) 采用卷积神经网络或图神经网络编码微观/宏观结构特征;2) 构建生成对抗网络(GAN)或变分自编码器(VAE)实现设计空间的降维表征;3) 通过物理信息神经网络(PINN)嵌入力学/电磁学等

  • 第2届北京等贤深度学习拓扑优化培训班第一轮通知

    第2届北京等贤深度学习拓扑优化培训班第一轮通知发布日期:2025年05月01日培训简介深度学习拓扑优化设计是一种结合深度神经网络与拓扑优化算法的先进设计方法,通过数据驱动的方式高效探索材料或结构的最佳拓扑构型。该方法利用神经网络学习设计空间中的复杂非线性映射关系,可显著加速传统迭代优化过程,并实现多物理场约束下的高性能设计。典型的框架包括:1) 采用卷积神经网络或图神经网络编码微观/宏观结构特征;2) 构建生成对抗网络(GAN)或变分自编码器(VAE)实现设计空间的降维表征;3) 通过物理信息神经网络(PINN)嵌入力学/电磁学等

  • 第1届北京等贤深度学习拓扑优化培训班第一轮通知

    第1届北京等贤深度学习拓扑优化培训班第一轮通知发布日期:2025年03月01日培训简介深度学习拓扑优化设计是一种结合深度神经网络与拓扑优化算法的先进设计方法,通过数据驱动的方式高效探索材料或结构的最佳拓扑构型。该方法利用神经网络学习设计空间中的复杂非线性映射关系,可显著加速传统迭代优化过程,并实现多物理场约束下的高性能设计。典型的框架包括:1) 采用卷积神经网络或图神经网络编码微观/宏观结构特征;2) 构建生成对抗网络(GAN)或变分自编码器(VAE)实现设计空间的降维表征;3) 通过物理信息神经网络(PINN)嵌入力学/电磁学等

  • 第3届北京等贤机器学习固态电池培训班第一轮通知

    第3届北京等贤机器学习固态电池培训班第一轮通知发布日期:2025年7月25日培训简介能源存储技术作为可再生能源发展的关键支撑,正迎来前所未有的发展机遇。固态电池因其高能量密度、安全性和长循环寿命等优势,被视为下一代储能技术的核心方向。人工智能技术的融入,为固态电池的研发、制造和系统优化提供了全新的技术路径。采用机器学习(ML)技术(包括无监督、有监督、强化学习等),结合密度泛函理论(DFT)、分子动力学模拟(MDS)及实验数据,构建数据库并优化模型,提高了ML在高能量密度电池材料(正负极、电解质)设计、固态电解质

  • 第2届北京等贤机器学习固态电池培训班第一轮通知

    第2届北京等贤机器学习固态电池培训班第一轮通知发布日期:2025年05月07日培训简介能源存储技术作为可再生能源发展的关键支撑,正迎来前所未有的发展机遇。固态电池因其高能量密度、安全性和长循环寿命等优势,被视为下一代储能技术的核心方向。人工智能技术的融入,为固态电池的研发、制造和系统优化提供了全新的技术路径。采用机器学习(ML)技术(包括无监督、有监督、强化学习等),结合密度泛函理论(DFT)、分子动力学模拟(MDS)及实验数据,构建数据库并优化模型,提高了ML在高能量密度电池材料(正负极、电解质)设计、固态电解质

  • 第1届北京等贤机器学习固态电池培训班第一轮通知

    第1届北京等贤机器学习固态电池培训班第一轮通知发布日期:2025年03月09日培训简介能源存储技术作为可再生能源发展的关键支撑,正迎来前所未有的发展机遇。固态电池因其高能量密度、安全性和长循环寿命等优势,被视为下一代储能技术的核心方向。人工智能技术的融入,为固态电池的研发、制造和系统优化提供了全新的技术路径。采用机器学习(ML)技术(包括无监督、有监督、强化学习等),结合密度泛函理论(DFT)、分子动力学模拟(MDS)及实验数据,构建数据库并优化模型,提高了ML在高能量密度电池材料(正负极、电解质)设计、固态电解质

  • 第5届北京等贤机器学习催化剂设计培训班第一轮通知

    第5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:2025年11月01日培训简介催化剂,被誉为现代化学工业的“基石”与“灵魂”,其创新是推动能源、化工、环保等诸多领域发展的核心驱动力。从哈伯法合成氨支撑起全球农业的命脉,到三元催化剂净化燃油车的尾气,人类文明的每一次飞跃,都伴随着催化技术的重大突破。然而,传统的催化剂研发模式——依赖于“试错法”和经验主义的“炒菜式”探索,正面临着前所未有的挑战。面对浩瀚无垠的化学元素组合、复杂的表面反应机理以及苛刻的实际应用环境,寻找一种“明星”催化剂往往需要经历

  • 第4届北京等贤机器学习催化剂设计培训班第一轮通知

    第4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:2025年9月01日培训简介催化剂,被誉为现代化学工业的“基石”与“灵魂”,其创新是推动能源、化工、环保等诸多领域发展的核心驱动力。从哈伯法合成氨支撑起全球农业的命脉,到三元催化剂净化燃油车的尾气,人类文明的每一次飞跃,都伴随着催化技术的重大突破。然而,传统的催化剂研发模式——依赖于“试错法”和经验主义的“炒菜式”探索,正面临着前所未有的挑战。面对浩瀚无垠的化学元素组合、复杂的表面反应机理以及苛刻的实际应用环境,寻找一种“明星”催化剂往往需要经历

  • 第3届北京等贤深度学习有限元分析培训班第一轮通知

    第3届北京等贤深度学习有限元分析培训班第一轮通知发布日期:2025年08月30日培训简介有限元分析(FEA)作为工程设计和科学研究中不可或缺的工具,在结构、流体、电磁场等领域的仿真模拟中发挥着重要作用。然而,传统FEA方法面临着计算成本高、建模复杂等挑战,难以满足日益增长的工程需求。近年来,深度学习的迅猛发展为FEA带来了革命性变革,为工程仿真解锁了新的范式。深度学习,特别是深度神经网络,以其强大的非线性拟合能力和特征提取能力,为FEA带来了以下突破:加速计算:深度学习模型可以学习FEA的输入输出映射关系,建立高效的代

  • 第2届北京等贤深度学习有限元分析培训班第一轮通知

    第2届北京等贤深度学习有限元分析培训班第一轮通知发布日期:2025年05月24日培训简介有限元分析(FEA)作为工程设计和科学研究中不可或缺的工具,在结构、流体、电磁场等领域的仿真模拟中发挥着重要作用。然而,传统FEA方法面临着计算成本高、建模复杂等挑战,难以满足日益增长的工程需求。近年来,深度学习的迅猛发展为FEA带来了革命性变革,为工程仿真解锁了新的范式。深度学习,特别是深度神经网络,以其强大的非线性拟合能力和特征提取能力,为FEA带来了以下突破:加速计算:深度学习模型可以学习FEA的输入输出映射关系,建立高效的代

  • 第1届北京等贤深度学习有限元分析培训班第一轮通知

    第1届北京等贤深度学习有限元分析培训班第一轮通知发布日期:2025年03月16日培训简介有限元分析(FEA)作为工程设计和科学研究中不可或缺的工具,在结构、流体、电磁场等领域的仿真模拟中发挥着重要作用。然而,传统FEA方法面临着计算成本高、建模复杂等挑战,难以满足日益增长的工程需求。近年来,深度学习的迅猛发展为FEA带来了革命性变革,为工程仿真解锁了新的范式。深度学习,特别是深度神经网络,以其强大的非线性拟合能力和特征提取能力,为FEA带来了以下突破:加速计算:深度学习模型可以学习FEA的输入输出映射关系,建立高效的代

  • 第3届北京等贤深度学习PINN培训班第一轮通知

    第3届北京等贤深度学习PINN培训班第一轮通知发布日期:2025年04月16日培训简介物理信息神经网络(Physics-Informed Neural Networks, PINN)作为深度学习与科学计算交叉融合的前沿方向,正重新定义复杂系统建模与优化的方法论体系。与传统数据驱动方法不同,PINN通过将物理定律(如偏微分方程、守恒律等)作为软约束嵌入神经网络,实现了对物理规律的可解释性表达与高效求解。这一突破性框架在多个领域展现出强大的应用潜力:在流体力学中,PINN能够高精度模拟湍流、边界层等复杂流动现象;在材料科学领域,它被用于预测晶体生长、相变动力

  • 第2届北京等贤深度学习PINN培训班第一轮通知

    第2届北京等贤深度学习PINN培训班第一轮通知发布日期:2024年12月18日培训简介物理信息神经网络(Physics-Informed Neural Networks, PINN)作为深度学习与科学计算交叉融合的前沿方向,正重新定义复杂系统建模与优化的方法论体系。与传统数据驱动方法不同,PINN通过将物理定律(如偏微分方程、守恒律等)作为软约束嵌入神经网络,实现了对物理规律的可解释性表达与高效求解。这一突破性框架在多个领域展现出强大的应用潜力:在流体力学中,PINN能够高精度模拟湍流、边界层等复杂流动现象;在材料科学领域,它被用于预测晶体生长、相变动力

  • 第1届北京等贤深度学习PINN培训班第一轮通知

    第1届北京等贤深度学习PINN培训班第一轮通知发布日期:2024年09月10日培训简介物理信息神经网络(Physics-Informed Neural Networks, PINN)作为深度学习与科学计算交叉融合的前沿方向,正重新定义复杂系统建模与优化的方法论体系。与传统数据驱动方法不同,PINN通过将物理定律(如偏微分方程、守恒律等)作为软约束嵌入神经网络,实现了对物理规律的可解释性表达与高效求解。这一突破性框架在多个领域展现出强大的应用潜力:在流体力学中,PINN能够高精度模拟湍流、边界层等复杂流动现象;在材料科学领域,它被用于预测晶体生长、相变动力

  • 第3届北京等贤深度学习材料设计培训班第一轮通知

    第3届北京等贤深度学习材料设计培训班第一轮通知发布日期:2025年03月15日培训简介材料深度学习领域正经历着从数据驱动到物理增强的范式跃迁,其核心在于突破传统材料研发的经验试错桎梏,构建起计算预测-自主实验-动态优化的智能闭环。基于图神经网络(GNN)的原子间势能预测技术已实现百万原子量级的分子动力学模拟精度突破,在锂电池固态电解质界面演化研究中成功捕捉到传统DFT方法难以观测的锂枝晶生长动力学行为。生成式模型的最新进展正重塑逆向设计范式:斯坦福大学团队开发的晶体扩散生成框架CryoDiff通过引入晶格对称性约束,在新

共有10页首页上一页345678910下一页 跳转 页 确定 尾页
seo seo