鋰金屬在固態(tài)電解質(zhì)界面處的復(fù)雜形態(tài)演化限制了固態(tài)電池的性能，導(dǎo)致反應(yīng)不均與接觸失效。受生物形態(tài)發(fā)生的啟發(fā)，國際頂級團(tuán)隊提出了一種界面自調(diào)控策略：通過可變形第二相根據(jù)局部電化學(xué)-力學(xué)刺激在界面處動態(tài)聚集，從而增強(qiáng)界面接觸。當(dāng)含有5至20摩爾百分比電化學(xué)惰性鈉域的鋰電極進(jìn)行剝離時，鈉會自發(fā)在界面處聚集并發(fā)生形變，在不阻礙鋰傳輸?shù)那疤嵯聦崿F(xiàn)緊密電接觸。通過操作態(tài)X射線斷層掃描和電子顯微鏡表征證實，該過程能有效減少孔隙形成并提升低堆疊壓力下的循環(huán)性能。這種通過添加電化學(xué)惰性堿金屬來提升性能的反直覺策略，證明了界面自調(diào)控機(jī)制在固態(tài)電池中的實用價值。

鋰離子電池作為現(xiàn)代能源存儲的核心技術(shù)，其性能優(yōu)化與安全性提升面臨多尺度、多物理場耦合的復(fù)雜挑戰(zhàn)。傳統(tǒng)實驗方法受限于高成本與長周期，而基于物理模型的仿真手段難以全面捕捉電池內(nèi)部的非線性動力學(xué)行為。機(jī)器學(xué)習(xí)憑借其強(qiáng)大的數(shù)據(jù)挖掘與模式識別能力，為鋰離子電池研究提供了革命性的技術(shù)路徑：在材料層面，通過高通量計算與機(jī)器學(xué)習(xí)結(jié)合，可快速篩選電極材料并預(yù)測其電化學(xué)性能，顯著加速新型材料的發(fā)現(xiàn)；在電池層面，基于數(shù)據(jù)驅(qū)動的狀態(tài)估計方法（如SOC、SOH預(yù)測）突破了傳統(tǒng)模型的精度限制；在系統(tǒng)層面，機(jī)器學(xué)習(xí)算法能夠?qū)崿F(xiàn)對電池組的高效管理與故障預(yù)警，為電池全生命周期優(yōu)化提供科學(xué)依據(jù)。隨著實驗數(shù)據(jù)積累與算法創(chuàng)新，機(jī)器學(xué)習(xí)正推動鋰離子電池研究從經(jīng)驗驅(qū)動向智能設(shè)計范式轉(zhuǎn)變，為下一代高性能、高安全性電池的開發(fā)開辟新方向。

能源存儲技術(shù)作為可再生能源發(fā)展的關(guān)鍵支撐，正迎來前所未有的發(fā)展機(jī)遇。固態(tài)電池因其高能量密度、安全性和長循環(huán)壽命等優(yōu)勢，被視為下一代儲能技術(shù)的核心方向。人工智能技術(shù)的融入，為固態(tài)電池的研發(fā)、制造和系統(tǒng)優(yōu)化提供了全新的技術(shù)路徑。

采用機(jī)器學(xué)習(xí)（ML）技術(shù)（包括無監(jiān)督、有監(jiān)督、強(qiáng)化學(xué)習(xí)等），結(jié)合密度泛函理論（DFT）、分子動力學(xué)模擬（MDS）及實驗數(shù)據(jù)，構(gòu)建數(shù)據(jù)庫并優(yōu)化模型，提高了ML在高能量密度電池材料（正負(fù)極、電解質(zhì)）設(shè)計、固態(tài)電解質(zhì)開發(fā)、快充技術(shù)優(yōu)化、電池壽命預(yù)測及回收利用等過程中的應(yīng)用，分析了不同ML算法在材料篩選、性能預(yù)測等方面的作用。解決了電池研究中數(shù)據(jù)庫不完整、模型精度低、實驗驗證難等問題，通過針對性數(shù)據(jù)集構(gòu)建、策略性模型選擇等，為突破高能量密度、固態(tài)電解質(zhì)開發(fā)等五大挑戰(zhàn)提供了方向，推動ML與電池科學(xué)的融合。

項目專題

機(jī)器學(xué)習(xí)鋰離子電池專題

機(jī)器學(xué)習(xí)固態(tài)電池專題

機(jī)器學(xué)習(xí)催化劑設(shè)計專題

學(xué)習(xí)目標(biāo)

機(jī)器學(xué)習(xí)鋰離子電池專題

1. 使學(xué)員了解鋰離子電池的基本原理和特性，以及機(jī)器學(xué)習(xí)在電池技術(shù)中的應(yīng)用背景。通過學(xué)習(xí)Python編程語言，使學(xué)員能夠熟練使用基礎(chǔ)語法、函數(shù)、模塊、包和面向?qū)ο缶幊?，讓學(xué)員熟悉并掌握機(jī)器學(xué)習(xí)庫。

2. 使學(xué)員理解神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，包括激活函數(shù)、損失函數(shù)、梯度下降與反向傳播，并能夠使用Pytorch構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)，掌握深度學(xué)習(xí)中的正則化技術(shù)、優(yōu)化算法和超參數(shù)調(diào)優(yōu)方法，了解并能夠應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、Transformer架構(gòu)、生成對抗網(wǎng)絡(luò)和變分自編碼器。

3. 培養(yǎng)學(xué)員在鋰離子電池正極材料特性工程方面的實戰(zhàn)能力。通過實戰(zhàn)項目，使學(xué)員能夠使用機(jī)器學(xué)習(xí)技術(shù)預(yù)測鋰離子電池性能、穩(wěn)定性，并進(jìn)行電池性能分類。理解如何將機(jī)器學(xué)習(xí)與分子動力學(xué)模擬、第一性原理計算以及實驗數(shù)據(jù)結(jié)合，以加速新材料的發(fā)現(xiàn)和電池性能的優(yōu)化。

4. 電池管理系統(tǒng)（BMS）的智能化學(xué)習(xí)：使學(xué)員了解BMS的功能與組成，并能夠應(yīng)用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行電池充放電策略的優(yōu)化。培養(yǎng)學(xué)員使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行鋰離子電池的實時充電狀態(tài)（SOC）和健康狀態(tài)（SOH）估計。

5. 拓寬學(xué)員的國際視野，讓他們接觸和學(xué)習(xí)國際上的先進(jìn)研究成果。培養(yǎng)具備跨學(xué)科整合能力的學(xué)員，使他們能夠在鋰離子電池、深度學(xué)習(xí)、數(shù)據(jù)科學(xué)等領(lǐng)域之間架起橋梁，開展創(chuàng)新性研究。

機(jī)器學(xué)習(xí)固態(tài)電池專題

1. 掌握固態(tài)電池（SSB）的發(fā)展使命，基本構(gòu)成、固態(tài)電解質(zhì)分類，工作原理、關(guān)鍵挑戰(zhàn)與性能評估。

2. 了解利用第一性原理（DFT）和分子動力學(xué)（MD）及其相關(guān)工具（如VASP, CP2K, LAMMPS, Gromacs）計算固態(tài)電池關(guān)鍵材料（電極、電解質(zhì)）及界面性質(zhì)的基本方法。

3. 掌握機(jī)器學(xué)習(xí)的基本概念、常用算法及其在材料科學(xué)，特別是固態(tài)電池領(lǐng)域的應(yīng)用流程。

4. 學(xué)習(xí)如何為固態(tài)電池體系（包括電極、電解質(zhì)、界面）構(gòu)建有效的特征描述符以及如何利用VASP等DFT工具對該類描述符進(jìn)行計算。

5. 熟練運用Python及其相關(guān)庫（Numpy, Pandas, Scikit-learn, Pytorch/TensorFlow, Pymatgen, ASE）處理固態(tài)電池相關(guān)數(shù)據(jù)并構(gòu)建機(jī)器學(xué)習(xí)模型。

6. 掌握利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等模型預(yù)測固態(tài)電池關(guān)鍵性能（如界面穩(wěn)定性、離子電導(dǎo)率、循環(huán)壽命等）的方法。

7. 學(xué)習(xí)使用機(jī)器學(xué)習(xí)加速新型固態(tài)電池材料體系（特別是穩(wěn)定的界面組合）的發(fā)現(xiàn)和設(shè)計，如利用Matminer工具結(jié)合Material Project數(shù)據(jù)庫進(jìn)行高通量篩選。

8. 掌握使用機(jī)器學(xué)習(xí)與傳統(tǒng)計算模擬（DFT/MD）結(jié)合，進(jìn)行多尺度研究的策略，利用先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型如Deepmd-kit, MACE等加速材料的研發(fā)。

機(jī)器學(xué)習(xí)催化劑專題

1.課程將系統(tǒng)引導(dǎo)學(xué)員深入理解電催化、熱催化、光催化的核心原理，同時全面剖析機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及圖深度學(xué)習(xí)在催化領(lǐng)域的應(yīng)用背景與適用范疇。通過 Python 語言基礎(chǔ)與機(jī)器學(xué)習(xí)算法的專項學(xué)習(xí)，學(xué)員不僅能夠清晰梳理機(jī)器學(xué)習(xí)從萌芽到蓬勃發(fā)展的歷史脈絡(luò)，洞悉其在信息時代于不同領(lǐng)域的多樣化表現(xiàn)形式，更將通過實踐操作，切實掌握將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于科學(xué)研究的關(guān)鍵技能，為催化領(lǐng)域的前沿探索奠定堅實基礎(chǔ)。

2.課程助力學(xué)員精準(zhǔn)把握傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法的本質(zhì)差異，熟練掌握 sklearn、torch 等主流第三方庫的核心功能與應(yīng)用技巧。通過系統(tǒng)學(xué)習(xí)與實踐，學(xué)員將能夠靈活運用樹模型、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等算法模型，深度融入科學(xué)研究場景。同時，借助機(jī)器學(xué)習(xí)的可解釋性分析方法，深入挖掘數(shù)據(jù)背后的科學(xué)規(guī)律，精準(zhǔn)闡釋催化反應(yīng)機(jī)制，實現(xiàn)數(shù)據(jù)驅(qū)動與理論解析的深度融合，為科學(xué)研究提供創(chuàng)新分析視角與可靠技術(shù)支撐。

3.通過培養(yǎng)學(xué)員將機(jī)器學(xué)習(xí)應(yīng)用在催化領(lǐng)域的研究思維，加速研究范式轉(zhuǎn)變。將機(jī)器學(xué)習(xí)與第一性原理或者實驗結(jié)合，以實現(xiàn)快速發(fā)現(xiàn)催化材料。這種結(jié)合能夠充分發(fā)揮不同方法的優(yōu)勢，機(jī)器學(xué)習(xí)強(qiáng)大的數(shù)據(jù)處理和模式識別能力，可挖掘催化過程中的隱藏規(guī)律，第一性原理則能從量子力學(xué)層面揭示催化反應(yīng)的本質(zhì)，實驗數(shù)據(jù)為模型提供真實可靠的驗證基礎(chǔ)。同時，引導(dǎo)學(xué)員運用遷移學(xué)習(xí)等技術(shù)，將在某一催化體系中訓(xùn)練得到的模型，快速應(yīng)用到相似體系，實現(xiàn)知識的高效復(fù)用。此外，借助機(jī)器學(xué)習(xí)的可解釋性研究，還能幫助學(xué)員深入理解催化反應(yīng)機(jī)制，為進(jìn)一步優(yōu)化催化材料性能、設(shè)計新型催化體系提供理論支撐，推動催化領(lǐng)域朝著智能化、精準(zhǔn)化方向邁進(jìn)。

4.圖拓?fù)浣Y(jié)構(gòu)和圖神經(jīng)網(wǎng)絡(luò)在催化領(lǐng)域有著廣泛的應(yīng)用。由于催化過程中存在大量繁雜的中間體，這為圖拓?fù)浣Y(jié)構(gòu)的構(gòu)建提供了豐富的數(shù)據(jù)來源，從而更有利于發(fā)現(xiàn)新的催化路徑。將晶體結(jié)構(gòu)從歐式空間轉(zhuǎn)化為非歐空間的圖結(jié)構(gòu)，相較于傳統(tǒng)描述符，能夠更有效地捕捉晶體結(jié)構(gòu)與目標(biāo)屬性之間的映射關(guān)系。通過培養(yǎng)學(xué)員跨學(xué)科、跨領(lǐng)域、跨范式的科學(xué)思維，有望為新材料發(fā)現(xiàn)開辟新的研究范式。

講師介紹

機(jī)器學(xué)習(xí)鋰離子電池講師介紹

來自全國重點大學(xué)、國家“985工程”、“211工程”重點高校，長期從事鋰離子電池研究，特別是在利用計算模擬方法和機(jī)器學(xué)習(xí)技術(shù)解決鋰離子電池領(lǐng)域的關(guān)鍵問題。在多個國際高水平期刊上發(fā)表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識和計算方法講解得清晰易懂！

機(jī)器學(xué)習(xí)固態(tài)電池講師介紹

來自全國重點大學(xué)、國家“985工程”、“211工程"重點高校，長期從事固態(tài)電解質(zhì)材料的第一性原理、分子動力學(xué)模擬研究，特別是在利用計算模擬方法和機(jī)器學(xué)習(xí)相結(jié)合來加速材料篩選，性能預(yù)測等方面有深入研究。他的授課方式淺顯易懂，特別擅長從簡單角度出發(fā)，逐漸深入講解復(fù)雜的理論知識和計算方法!目前共發(fā)表論文（Nature Catalysis， Nature Communications， Energy & Environmental Science， Advanced Energy Materials等）共四十余篇。曾任Joule， Journal of Materials Chemstry A等期刊審稿人。

機(jī)器學(xué)習(xí)催化劑講師介紹

來自全國重點大學(xué)、國家“985工程”、“211工程”重點高校，長期從事機(jī)器學(xué)習(xí)輔助的催化劑設(shè)計與預(yù)測研究，在機(jī)器學(xué)習(xí)深度學(xué)習(xí)輔助的催化劑設(shè)計研究領(lǐng)域深耕多年，具有豐富的經(jīng)驗和扎實的基礎(chǔ)。在多個國際高水平期刊上發(fā)表 SCI檢索論文30余篇。他的授課方式深入淺出，能夠?qū)?fù)雜的理論知識和計算方法講解得清晰易懂！

課程大綱

機(jī)器學(xué)習(xí)鋰離子電池專題

第一天上午：鋰離子電池與機(jī)器學(xué)習(xí)基礎(chǔ)

鋰離子電池與機(jī)器學(xué)習(xí)背景：了解鋰離子電池的基本原理、發(fā)展歷程、應(yīng)用領(lǐng)域以及當(dāng)前面臨的挑戰(zhàn)；介紹機(jī)器學(xué)習(xí)的定義、發(fā)展歷程、主要應(yīng)用領(lǐng)域以及與鋰離子電池研究的結(jié)合點，探討機(jī)器學(xué)習(xí)如何助力鋰離子電池性能提升和新材料研發(fā)。

Python基礎(chǔ)語法、函數(shù)、模塊和包、面向?qū)ο缶幊?/span>

機(jī)器學(xué)習(xí)庫介紹：Numpy、Pandas、Matpliotlib、Seaborn、Scikit-learn

第一天下午：監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)入門

監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)

K-近鄰、支持向量機(jī)、決策樹、線性回歸、邏輯回歸

實戰(zhàn)一：使用機(jī)器學(xué)習(xí)預(yù)測鋰離子電池性能：特征工程描述包括電池的充放電循環(huán)數(shù)據(jù)、溫度、電流、電壓、電池的制造參數(shù)、材料特性等，選擇不同的機(jī)器學(xué)習(xí)模型，例如決策樹、隨機(jī)森林、支持向量機(jī)，最后進(jìn)行性能評估。

第二天上午：聚類分析與集成學(xué)習(xí)

K-均值聚類、層次聚類、PCA、t-SNE

集成學(xué)習(xí)：隨機(jī)森林、Boosting

交叉驗證、性能指標(biāo)、模型評估與選擇、網(wǎng)格搜索

實戰(zhàn)二： 特征選擇與聚類算法選擇：根據(jù)鋰離子電池的性能特征（如容量、能量密度、內(nèi)阻、循環(huán)穩(wěn)定性等），選擇合適的聚類算法（如K-均值聚類、層次聚類等），通過特征工程對數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)轉(zhuǎn)換為適合聚類分析的格式。

聚類結(jié)果分析與降維驗證：對聚類結(jié)果進(jìn)行分析，觀察不同聚類類別中電池的性能特點和分布規(guī)律，通過降維技術(shù)（如PCA、t-SNE）對聚類結(jié)果進(jìn)行可視化驗證，判斷聚類結(jié)果的有效性和合理性，為鋰離子電池的性能分類和優(yōu)化提供依據(jù)。

第二天下午：神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與深度學(xué)習(xí)技術(shù)

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、激活函數(shù)、損失函數(shù)、梯度下降與反向傳播

Pytorch構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)中的正則化技術(shù)：L1、L2、Dropout

優(yōu)化算法：SGD、Adam、RMSprop

超參數(shù)調(diào)優(yōu)：網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化

實戰(zhàn)三：基于深度學(xué)習(xí)的高熵材料的虛擬高通量篩選： 收集和整理用于訓(xùn)練的數(shù)據(jù)集，包括高熵材料的化學(xué)組成、晶體結(jié)構(gòu)、物理化學(xué)性質(zhì)等，使用準(zhǔn)備好的數(shù)據(jù)集對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，并采用交叉驗證等方法來評估模型的泛化能力。

第三天上午：高級深度學(xué)習(xí)架構(gòu)與應(yīng)用

循環(huán)神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)

注意力機(jī)制

Transformer架構(gòu)

生成對抗網(wǎng)絡(luò)

變分自編碼器

實戰(zhàn)四：基于圖神經(jīng)網(wǎng)絡(luò)的鋰離子電池性能預(yù)測：構(gòu)建圖神經(jīng)網(wǎng)絡(luò)模型，選擇合適的架構(gòu)，如GCN、GAT等，來學(xué)習(xí)材料圖特征節(jié)點和邊的表示，用于預(yù)測鋰離子電池性能。

第三天下午：鋰離子電池材料的機(jī)器學(xué)習(xí)應(yīng)用

鋰離子正極材料的特征工程

實戰(zhàn)五：基于機(jī)器學(xué)習(xí)的鋰金屬正極材料的穩(wěn)定性預(yù)測：選擇合適的機(jī)器學(xué)習(xí)模型，如支持向量機(jī)、隨機(jī)森林、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)，使用適當(dāng)?shù)脑u估指標(biāo)，如準(zhǔn)確率、召回率、F1分?jǐn)?shù)等，來衡量模型預(yù)測鋰金屬正極材料穩(wěn)定性的性能。

實戰(zhàn)六：實驗引導(dǎo)的高通量機(jī)器學(xué)習(xí)分析：講解將機(jī)器學(xué)習(xí)模型集成到實驗流程中，優(yōu)化實驗過程，實現(xiàn)從實驗設(shè)計到數(shù)據(jù)分析的自動化和智能化。

第四天上午：機(jī)器學(xué)習(xí)與多尺度模擬的結(jié)合

基于鋰離子電池的機(jī)器學(xué)習(xí)與多尺度模擬

機(jī)器學(xué)習(xí)、分子動力學(xué)模擬與第一性原理計算

機(jī)器學(xué)習(xí)與實驗結(jié)合

實戰(zhàn)七：介紹Materials Project數(shù)據(jù)庫的基本情況和功能，說明如何從該數(shù)據(jù)庫中提取與鋰離子電池相關(guān)的電數(shù)據(jù)，包括材料的晶體結(jié)構(gòu)、電子結(jié)構(gòu)、電化學(xué)性能等信息。

從Materials Project數(shù)據(jù)庫中提取電池電數(shù)據(jù)，利用深度學(xué)習(xí)技術(shù)來預(yù)測多價金屬離子電池的電極電壓，并開發(fā)了一個可解釋的深度學(xué)習(xí)模型，以加速多價金屬離子電池材料的設(shè)計和優(yōu)化。

實戰(zhàn)八：收集液態(tài)電解質(zhì)添加劑電池系統(tǒng)中的性能數(shù)據(jù)，包括最終面積比阻抗、阻抗增量和比容量，基于分子結(jié)構(gòu)信息，生成特征向量，通過數(shù)據(jù)收集、特征工程、模型訓(xùn)練與驗證等機(jī)器學(xué)習(xí)流程，成功預(yù)測出最佳液態(tài)電解質(zhì)添加劑組合。

第四天下午：機(jī)器學(xué)習(xí)在電池管理系統(tǒng)中的應(yīng)用

機(jī)器學(xué)習(xí)在電池管理系統(tǒng)中的應(yīng)用介紹

電池管理系統(tǒng)（BMS）的功能與組成

電池充放電管理

電池安全與保護(hù)

電池健康狀態(tài)的指標(biāo)

電池老化分析

實戰(zhàn)九：探討如何將物理模型（如電池的電化學(xué)模型、熱模型等）與機(jī)器學(xué)習(xí)模型相結(jié)合，利用物理模型的先驗知識和機(jī)器學(xué)習(xí)模型的數(shù)據(jù)驅(qū)動能力，提高對電池狀態(tài)的預(yù)測精度和可靠性，例如通過物理模型提供電池狀態(tài)的初始估計，再利用機(jī)器學(xué)習(xí)模型對實際數(shù)據(jù)進(jìn)行擬合和修正，實現(xiàn)對電池長期性能和壽命的準(zhǔn)確預(yù)測。

第五天上午：機(jī)器學(xué)習(xí)在電池壽命預(yù)測中的應(yīng)用

實戰(zhàn)十：收集鋰離子電池在不同充放電條件下的運行數(shù)據(jù)，包括電壓、電流、溫度、充放電時間等，這些數(shù)據(jù)是SOC和SOH估計的基礎(chǔ)，通過數(shù)據(jù)預(yù)處理、特征提取等步驟，將數(shù)據(jù)轉(zhuǎn)換為適合機(jī)器學(xué)習(xí)模型輸入的格式，提高模型的估計精度。

選擇合適的機(jī)器學(xué)習(xí)模型（如線性回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等），根據(jù)處理后的數(shù)據(jù)對模型進(jìn)行訓(xùn)練，通過交叉驗證等方法對模型的準(zhǔn)確性和泛化能力進(jìn)行評估，選擇最優(yōu)的模型用于鋰離子電池的SOC和SOH實時估計，通過實例代碼展示模型訓(xùn)練和評估的過程，分析模型的性能指標(biāo)和估計結(jié)果。

將訓(xùn)練好的機(jī)器學(xué)習(xí)模型集成到BMS中，實現(xiàn)對鋰離子電池SOC和SOH的實時估計，通過實時監(jiān)測電池的狀態(tài)參數(shù)，利用模型進(jìn)行快速準(zhǔn)確的估計，為電池的充放電管理、安全保護(hù)和健康狀態(tài)評估提供實時數(shù)據(jù)支持，提高BMS的智能化水平和電池的使用效率。

第五天下午

實戰(zhàn)十一： 基于大語言模型（LLM）的文獻(xiàn)v數(shù)據(jù)自動化提取與應(yīng)用。重點講解如何利用大語言模型（LLM）與檢索增強(qiáng)生成（RAG）技術(shù)，構(gòu)建自動化信息提取框架，解決科學(xué)數(shù)據(jù)提取耗時耗力的瓶頸。從電池文獻(xiàn)中自動提取關(guān)鍵參數(shù)（如材料成分、晶體結(jié)構(gòu)、工作電壓等），構(gòu)建小型材料數(shù)據(jù)庫。

實例十二： 基于大語言模型搭建電池健康狀態(tài)（SOH）智能預(yù)測系統(tǒng)。利用大語言模型自動化機(jī)器學(xué)習(xí)算法的實施與優(yōu)化，以實現(xiàn)對鋰電池健康狀態(tài)（SOH）的智能預(yù)測，通過結(jié)構(gòu)化的提示工程（Prompt Engineering）引導(dǎo)LLM完成自動化機(jī)器學(xué)習(xí)預(yù)測過程?；诠_電池數(shù)據(jù)集對比LLM驅(qū)動的模型與傳統(tǒng)方法的性能差異。

機(jī)器學(xué)習(xí)固態(tài)電池專題

第一天：固態(tài)電池基礎(chǔ)與計算模擬概覽

上午：固態(tài)電池基本原理與關(guān)鍵挑戰(zhàn)

1.1 固態(tài)電池概覽

固態(tài)電池的發(fā)展使命與優(yōu)勢。

基本構(gòu)成：正極、負(fù)極、固態(tài)電解質(zhì)、界面。

固態(tài)電解質(zhì)分類與特性（聚合物、氧化物、硫化物等）。

工作原理與性能評估指標(biāo)。

案例分析：現(xiàn)有商業(yè)化/準(zhǔn)商業(yè)化固態(tài)電池案例分析（性能、挑戰(zhàn)）。

1.2 固態(tài)電池關(guān)鍵挑戰(zhàn)

界面穩(wěn)定性問題（空間電荷層、枝晶生長、副反應(yīng)）。

離子電導(dǎo)率與傳輸機(jī)制。

機(jī)械穩(wěn)定性與循環(huán)壽命。

小組討論：學(xué)員提出在實際工作中遇到的固態(tài)電池難題。

下午：固態(tài)電池材料計算模擬方法入門

1.3 第一性原理 (DFT) 在固態(tài)電池中的應(yīng)用

DFT基本概念與在材料科學(xué)中的作用。

CP2K簡介：如何設(shè)置計算任務(wù)（結(jié)構(gòu)優(yōu)化、能量、電子結(jié)構(gòu)）。

實操：利用CP2K計算固態(tài)電解質(zhì)的晶格常數(shù)、形成能（提供示例輸入文件與結(jié)果解析）。

實操：利用VESTA可視化晶體結(jié)構(gòu)和電子密度。

1.4 分子動力學(xué) (MD) 在固態(tài)電池中的應(yīng)用

MD基本概念與在材料科學(xué)中的作用。

LAMMPS/Gromacs簡介：如何設(shè)置MD模擬（原子間勢函數(shù)、溫度、壓力）。

實操：利用LAMMPS模擬固態(tài)電解質(zhì)的離子擴(kuò)散行為（提供示例輸入文件與軌跡文件解析）。

實操：利用VMD可視化MD模擬軌跡。

第二天：機(jī)器學(xué)習(xí)基礎(chǔ)與固態(tài)電池數(shù)據(jù)處理

上午：機(jī)器學(xué)習(xí)核心概念與在材料科學(xué)中的應(yīng)用

2.1 機(jī)器學(xué)習(xí)基礎(chǔ)

機(jī)器學(xué)習(xí)的分類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

常用算法簡介：線性回歸、邏輯回歸、支持向量機(jī)、決策樹、隨機(jī)森林、K-Means。

案例分析：介紹幾個機(jī)器學(xué)習(xí)在其他材料領(lǐng)域的成功應(yīng)用。

模型評估指標(biāo)：R2、MAE、MSE、準(zhǔn)確率、召回率、F1-score。

2.2 機(jī)器學(xué)習(xí)在固態(tài)電池領(lǐng)域的應(yīng)用流程

數(shù)據(jù)獲取、特征工程、模型選擇與訓(xùn)練、模型評估與部署。

案例分析：一個簡化的機(jī)器學(xué)習(xí)預(yù)測固態(tài)電解質(zhì)離子電導(dǎo)率的流程介紹。

下午：固態(tài)電池數(shù)據(jù)處理與特征工程

2.3 Python科學(xué)計算庫實戰(zhàn)

實操：Numpy用于數(shù)組操作和數(shù)值計算。

實操：Pandas用于數(shù)據(jù)讀取、清洗、處理與分析（以模擬或?qū)嶒灁?shù)據(jù)為例）。

實操：Matplotlib/Seaborn用于數(shù)據(jù)可視化（散點圖、直方圖、熱力圖等）。

2.4 固態(tài)電池體系的特征描述符構(gòu)建

理論：為什么需要特征描述符？常見的材料特征描述符（晶格參數(shù)、元素屬性、結(jié)構(gòu)信息、局部環(huán)境）。

實操：Pymatgen/ASE庫介紹：如何從CIF/POSCAR文件提取結(jié)構(gòu)信息。

實操：構(gòu)建簡單的描述符：例如，基于元素電負(fù)性、原子半徑的均值、方差等。

實操：利用Pymatgen/ASE結(jié)合Python腳本，從DFT計算結(jié)果中提取能量、結(jié)構(gòu)、態(tài)密度等信息，并轉(zhuǎn)換為機(jī)器學(xué)習(xí)可用格式。

第三天：機(jī)器學(xué)習(xí)模型構(gòu)建與固態(tài)電池性能預(yù)測

上午：傳統(tǒng)機(jī)器學(xué)習(xí)模型在固態(tài)電池中的應(yīng)用

3.1 回歸模型預(yù)測離子電導(dǎo)率

任務(wù)：基于固態(tài)電解質(zhì)的成分和結(jié)構(gòu)特征（預(yù)處理好的數(shù)據(jù)集），預(yù)測其離子電導(dǎo)率。

實操：數(shù)據(jù)集加載與預(yù)處理（歸一化、特征選擇）。

實操：使用Scikit-learn構(gòu)建并訓(xùn)練線性回歸、隨機(jī)森林回歸、支持向量機(jī)回歸模型。

實操：模型評估（MAE, MSE, R2）與結(jié)果可視化。

討論：不同模型的優(yōu)缺點及適用場景。

3.2 分類模型預(yù)測界面穩(wěn)定性

任務(wù)：基于電極/電解質(zhì)界面的特征（預(yù)處理好的數(shù)據(jù)集），預(yù)測界面是否穩(wěn)定。

實操：數(shù)據(jù)集加載與預(yù)處理。

實操：使用Scikit-learn構(gòu)建并訓(xùn)練邏輯回歸、決策樹、隨機(jī)森林分類模型。

實操：模型評估（準(zhǔn)確率、召回率、F1-score、混淆矩陣）與結(jié)果可視化。

討論：如何處理類別不平衡數(shù)據(jù)。

下午：深度學(xué)習(xí)模型在固態(tài)電池中的應(yīng)用

3.3 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與TensorFlow/PyTorch入門

神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)（全連接層、激活函數(shù)、損失函數(shù)、優(yōu)化器）。

TensorFlow/PyTorch簡介：張量操作、自動微分。

演示：構(gòu)建一個簡單的全連接神經(jīng)網(wǎng)絡(luò)模型。

3.4 深度學(xué)習(xí)預(yù)測固態(tài)電池關(guān)鍵性能

任務(wù)：利用多層感知機(jī) (MLP) 預(yù)測固態(tài)電池的循環(huán)壽命或特定性能指標(biāo)。

實操：數(shù)據(jù)集準(zhǔn)備（可能需要更復(fù)雜的特征）。

實操：使用TensorFlow/PyTorch構(gòu)建、訓(xùn)練并評估MLP模型。

實操：超參數(shù)調(diào)優(yōu)（學(xué)習(xí)率、批次大小、層數(shù)、神經(jīng)元數(shù)量）。

討論：深度學(xué)習(xí)在處理復(fù)雜、高維固態(tài)電池數(shù)據(jù)時的優(yōu)勢。

第四天：新型固態(tài)電池材料發(fā)現(xiàn)與設(shè)計

上午：高通量篩選與數(shù)據(jù)庫應(yīng)用

4.1 材料數(shù)據(jù)庫與高通量計算

理論：Material Project (MP) 數(shù)據(jù)庫介紹及其在材料設(shè)計中的價值。

實操：MP API的使用（通過Python查詢材料結(jié)構(gòu)、能量、電子性質(zhì)等）。

實操：Matminer庫介紹：如何從MP數(shù)據(jù)提取特征。

4.2 機(jī)器學(xué)習(xí)加速新型固態(tài)電解質(zhì)篩選

任務(wù)：利用機(jī)器學(xué)習(xí)模型結(jié)合Matminer和MP數(shù)據(jù)，篩選潛在的高性能固態(tài)電解質(zhì)材料。

實操：定義篩選標(biāo)準(zhǔn)（例如，高離子電導(dǎo)率、寬電化學(xué)窗口）。

實操：構(gòu)建并訓(xùn)練預(yù)測模型（可以是前一天訓(xùn)練好的模型或新模型）。

實操：對MP數(shù)據(jù)庫中的材料進(jìn)行高通量預(yù)測與篩選，生成候選材料列表。

討論：如何評估篩選結(jié)果并指導(dǎo)實驗驗證。

下午：界面工程與穩(wěn)定組合發(fā)現(xiàn)

4.3 固態(tài)電池界面穩(wěn)定性預(yù)測

理論：界面反應(yīng)機(jī)制與影響因素。

實操：構(gòu)建界面特征描述符：基于電極/電解質(zhì)材料的晶體結(jié)構(gòu)、元素組成、電子結(jié)構(gòu)差異等。

實操：利用機(jī)器學(xué)習(xí)模型（分類或回歸）預(yù)測界面形成能、界面相變傾向等。

案例分析： 某個具體的電極/電解質(zhì)界面組合，分析其預(yù)測結(jié)果。

4.4 機(jī)器學(xué)習(xí)發(fā)現(xiàn)穩(wěn)定的界面組合

任務(wù)：結(jié)合多種電極和電解質(zhì)材料，利用機(jī)器學(xué)習(xí)模型進(jìn)行組合篩選，發(fā)現(xiàn)穩(wěn)定的界面。

實操：構(gòu)造所有可能的電極-電解質(zhì)組合。

實操：利用訓(xùn)練好的界面穩(wěn)定性預(yù)測模型，對所有組合進(jìn)行預(yù)測。

實操：篩選出預(yù)測為穩(wěn)定的界面組合，并對其進(jìn)行排序和分析。

討論：如何將機(jī)器學(xué)習(xí)結(jié)果與DFT/實驗結(jié)果結(jié)合進(jìn)行驗證。

第五天：機(jī)器學(xué)習(xí)與多尺度計算模擬的融合

上午：神經(jīng)網(wǎng)絡(luò)勢函數(shù)與MD加速

5.1 機(jī)器學(xué)習(xí)勢函數(shù)基礎(chǔ)

理論：為什么需要機(jī)器學(xué)習(xí)勢函數(shù)？傳統(tǒng)勢函數(shù)的局限性。

理論：神經(jīng)網(wǎng)絡(luò)勢函數(shù) (NNP) 的基本原理。

演示：Deepmd-kit/MACE介紹：如何訓(xùn)練NNP模型。

5.2 Deepmd-kit/MACE實操

任務(wù)：利用Deepmd-kit/MACE訓(xùn)練固態(tài)電解質(zhì)的機(jī)器學(xué)習(xí)勢函數(shù)。

實操：數(shù)據(jù)準(zhǔn)備：從DFT計算軌跡生成訓(xùn)練數(shù)據(jù)（能量、力、應(yīng)力）。

實操：訓(xùn)練NNP模型（提供示例配置文件）。

實操：評估NNP模型的準(zhǔn)確性（與DFT結(jié)果對比）。

討論：NNP在加速MD模擬中的優(yōu)勢。

下午：多尺度研究策略與未來展望

5.3 機(jī)器學(xué)習(xí)加速大規(guī)模MD模擬

任務(wù)：利用訓(xùn)練好的Deepmd-kit/MACE勢函數(shù)進(jìn)行大規(guī)模分子動力學(xué)模擬。

實操：設(shè)置并運行基于NNP的LAMMPS/Gromacs MD模擬。

實操：分析大規(guī)模MD模擬結(jié)果（例如，離子擴(kuò)散系數(shù)、相變過程）。

討論：如何將NNP模擬結(jié)果與宏觀性能聯(lián)系起來。

5.4 機(jī)器學(xué)習(xí)與多尺度計算模擬的融合策略

結(jié)合DFT、NNP-MD、蒙特卡洛等方法進(jìn)行多尺度研究。

固態(tài)電池材料研發(fā)的未來趨勢：自動化、高通量、AI驅(qū)動的實驗。

討論：學(xué)員項目構(gòu)思與Q&A。

部分案例圖片：

機(jī)器學(xué)習(xí)催化劑設(shè)計專題

第一天：

第一天上午

理論內(nèi)容：

1.機(jī)器學(xué)習(xí)概述

2.材料與化學(xué)中的常見機(jī)器學(xué)習(xí)方法

3.應(yīng)用前沿

實操內(nèi)容：

1.Python基礎(chǔ)：變量和數(shù)據(jù)類型，列表，字典，if語句，循環(huán)，函數(shù)

2.Python科學(xué)數(shù)據(jù)處理：NumPy，Pandas，Matplotlib

案例一：隨著AI For Science時代的到來，機(jī)器學(xué)習(xí)以優(yōu)異的速度迅速擴(kuò)展到各個領(lǐng)域。本次培訓(xùn)詳細(xì)講解從下載到安裝，再到環(huán)境配置全流程。無論是數(shù)據(jù)科學(xué)新手還是進(jìn)階學(xué)習(xí)者，都能借此掌握 Anaconda 操作要點，輕松搭建編程環(huán)境，為后續(xù) Python 開發(fā)、數(shù)據(jù)分析等工作筑牢基礎(chǔ)。

第一天下午

理論內(nèi)容：

1.sklearn基礎(chǔ)介紹

2.線性回歸原理和正則化

實操內(nèi)容：

1. 線性回歸方法的實現(xiàn)與初步應(yīng)用

2. L1和L2正則項的使用方法

3. 線性回歸用于HER催化劑的篩選

4. 符號回歸用于發(fā)現(xiàn)金屬催化氧化載體中金屬-載體相互作用

案例二：金屬-載體相互作用是多相催化中最重要的支柱之一，但由于其復(fù)雜的界面，建立一個基本的理論一直具有挑戰(zhàn)性?；趯嶒灁?shù)據(jù)、可解釋的機(jī)器學(xué)習(xí)、理論推導(dǎo)和第一性原理模擬，以建立了基于金屬-金屬和金屬-氧相互作用的金屬-氧化物相互作用的一般理論（符號回歸）。

————————————————————————————————

第二天上午

理論內(nèi)容：

1. 邏輯回歸

1.1原理

1.2 使用方法

2. K近鄰方法（KNN）

2.1 KNN分類原理

2.2 KNN分類應(yīng)用

3. 神經(jīng)網(wǎng)絡(luò)方法的原理

3.1 神經(jīng)網(wǎng)絡(luò)原理

3.2神經(jīng)網(wǎng)絡(luò)分類

3.3神經(jīng)網(wǎng)絡(luò)回歸

實操內(nèi)容：

1.邏輯回歸的實現(xiàn)與初步應(yīng)用

2.KNN方法的實現(xiàn)與初步應(yīng)用

3.神經(jīng)網(wǎng)絡(luò)實現(xiàn)

案例三：銅基合金催化劑因其良好的選擇性和過電位低等特點，在二氧化碳還原反應(yīng)（CO2RR）領(lǐng)域得到了廣泛的應(yīng)用。為了實現(xiàn)對CO2RR合金催化劑的高效探索，通過實施嚴(yán)格的特征選擇過程，將特征空間的維數(shù)從13維降至5維，ML模型成功快速預(yù)測了CO2RR過程中關(guān)鍵中間體（HCOO、CO和COOH）的吸附能。

第二天下午

項目實操：

1.基于少特征模型的機(jī)器學(xué)習(xí)預(yù)測二氧化碳還原電催化劑

2.基于文本數(shù)據(jù)信息預(yù)測甲醇轉(zhuǎn)化率

這兩個實操項目同時穿插講解如下內(nèi)容

A1 機(jī)器學(xué)習(xí)材料與化學(xué)應(yīng)用的典型步驟

A1.1 數(shù)據(jù)采集和清洗

A1.2 特征選擇和模型選擇

A1.3 模型訓(xùn)練和測試

A1.4 模型性能評估和優(yōu)化

案例四：結(jié)構(gòu)化材料合成路線對于化學(xué)家進(jìn)行實驗和現(xiàn)代應(yīng)用（如機(jī)器學(xué)習(xí)材料設(shè)計）至關(guān)重要。近年來，化學(xué)文獻(xiàn)呈指數(shù)級增長，人工提取已發(fā)表文獻(xiàn)耗時耗力。本研究的重點是開發(fā)一種從化學(xué)文獻(xiàn)中提取pd基催化劑合成路線的自動化方法。并利用合成路線的結(jié)構(gòu)化數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型并預(yù)測甲烷轉(zhuǎn)化率的性能。

————————————————————————————————

第三天上午

理論內(nèi)容：

1．決策樹

1.1決策樹的原理

1.2決策樹分類

2． 集成學(xué)習(xí)方法

2.1集成學(xué)習(xí)原理

2.2隨機(jī)森林

2.3Bosting方法

3.樸素貝葉斯概率

3.1原理解析

3.2 模型應(yīng)用

4. 支持向量機(jī)

4.1分類原理

4.2核函數(shù)

實操內(nèi)容

1.決策樹的實現(xiàn)和應(yīng)用

2.隨機(jī)森林的實現(xiàn)和應(yīng)用

3.樸素貝葉斯的實現(xiàn)和應(yīng)用

4.支持向量機(jī)的實現(xiàn)和應(yīng)用

案例五：集成學(xué)習(xí)通過多層模型組合與融合，在提升模型性能方面極具優(yōu)勢。在數(shù)據(jù)挖掘中，面對海量且復(fù)雜的數(shù)據(jù)，單一模型往往難以全面捕捉數(shù)據(jù)特征。集成學(xué)習(xí)將弱學(xué)習(xí)器的性能結(jié)合，先由各基礎(chǔ)模型從不同角度挖掘數(shù)據(jù)，再通過加權(quán)等方式融合結(jié)果，能更全面地剖析機(jī)器學(xué)習(xí)結(jié)果。

第三天下午

項目實操

1.機(jī)器學(xué)習(xí)加速設(shè)計ORR和OER雙功能電催化劑

2.二元合金中雙官能團(tuán)氧電催化劑的有效機(jī)器學(xué)習(xí)模型設(shè)計

3.SHAP機(jī)器學(xué)習(xí)可解釋性分析

這兩個實操項目同時穿插講解如下內(nèi)容

A1 模型性能的評估方法

A1.1 交叉驗證：評估估計器的性能

A1.2 分類性能評估

A1.3 回歸性能評估

案例六：氧還原反應(yīng)（ORR）和析氧反應(yīng)（OER）是清潔能源轉(zhuǎn)化的關(guān)鍵。近年來，雙金屬位催化劑（DMSCs）因其原子利用率高、穩(wěn)定性強(qiáng)、催化性能好而受到廣泛關(guān)注。本研究采用密度泛函理論（DFT）和機(jī)器學(xué)習(xí)（ML）相結(jié)合的先進(jìn)方法，研究吸附物在數(shù)百種潛在催化劑上的吸附自由能，來篩選對ORR和OER具有高活性的催化劑。

————————————————————————————————

第四天上午

理論內(nèi)容：

1. 無監(jiān)督學(xué)習(xí)

2.1 什么是無監(jiān)督學(xué)習(xí)

2.2 無監(jiān)督算法——聚類

2.3 無監(jiān)督算法——降維

2. 材料與化學(xué)數(shù)據(jù)的特征工程

2.1分子結(jié)構(gòu)表示

2.2 獨熱編碼

實操內(nèi)容：

鳶尾花數(shù)據(jù)集用于聚類實現(xiàn)和應(yīng)用

T-SNE實現(xiàn)和應(yīng)用

PCA的實現(xiàn)和應(yīng)用

層次聚類的實現(xiàn)和應(yīng)用

K-means聚類的實現(xiàn)和應(yīng)用

案例七：無監(jiān)督學(xué)習(xí)是從無標(biāo)簽數(shù)據(jù)中挖掘模式與結(jié)構(gòu)，t-SNE作為其重要降維工具，專注于保留高維數(shù)據(jù)點間局部結(jié)構(gòu)。課程將深入講解t-SNE核心原理，如通過概率分布衡量點間相似性，以優(yōu)化KL散度實現(xiàn)降維，展示其在高維數(shù)據(jù)可視化中的強(qiáng)大作用。還會進(jìn)行代碼實操，涵蓋數(shù)據(jù)加載、參數(shù)調(diào)優(yōu)、降維及可視化等環(huán)節(jié)，讓學(xué)員熟練掌握t-SNE在不同場景的應(yīng)用，助力探索數(shù)據(jù)潛在結(jié)構(gòu)與模式。

第四天下午

項目實操

理論內(nèi)容：

1.深度學(xué)習(xí)理論基礎(chǔ)

2.DNN、RNN、CNN、LSTM及Transformer基礎(chǔ)框架介紹

實操內(nèi)容

1. torch基礎(chǔ)練習(xí)

2. 應(yīng)用RNN、CNN、LSTM模型篩選光催化劑

案例八：近年來，結(jié)合高通量（HT）和機(jī)器學(xué)習(xí)（ML）的策略以加速有前途的新材料的發(fā)現(xiàn)已經(jīng)引起了人們的極大關(guān)注。因此，可以設(shè)計一種直觀的方法，通過數(shù)據(jù)庫并結(jié)合深度學(xué)習(xí)模型，并將它們與HT方法耦合，以尋找高效的2D水分解光催化劑。

————————————————————————————————

第五天上午

理論內(nèi)容：

1.圖深度學(xué)習(xí)理論基礎(chǔ)

2.圖深度學(xué)習(xí)應(yīng)用實例OC20、OC22電催化劑開發(fā)挑戰(zhàn)（ACS Catalysis）

實操內(nèi)容：

1. 圖結(jié)構(gòu)構(gòu)建及可視化

2. PyTorch Geometric基礎(chǔ)介紹

案例九：近年來，在晶體性能預(yù)測領(lǐng)域，圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）模型取得了長足的發(fā)展。GNN模型可以有效地從晶體結(jié)構(gòu)中捕捉高維晶體特征，從而在性能預(yù)測中獲得最佳性能。指導(dǎo)學(xué)員搭建圖深度學(xué)習(xí)開發(fā)環(huán)境，以順利構(gòu)建圖結(jié)構(gòu)，并進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練。

第五天下午

項目實操

1.圖神經(jīng)網(wǎng)絡(luò)模型基本概述及CGCNN代碼深度解讀應(yīng)用

2.基于圖論構(gòu)建反應(yīng)網(wǎng)絡(luò)用于NO電還原反應(yīng)研究

3.Transformer輔助水氧化制備過氧化氫(WOR)及可解釋分析

案例十：氮氧化物排放嚴(yán)重影響我們的環(huán)境和人類健康。光催化脫硝（deNOx）因其低成本、無污染而備受關(guān)注，但實際生產(chǎn)中產(chǎn)生的是不需要的亞硝酸鹽和硝酸鹽，而不是無害的氮氣。揭示活性位點和光催化機(jī)理對改進(jìn)工藝具有重要意義。本次課程以指導(dǎo)學(xué)員依據(jù)反應(yīng)中間體，建立圖反應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)以揭示反應(yīng)機(jī)理。

學(xué)員反饋

課程特色及授課方式

線上授課時間和地點自由，建立專業(yè)課程群進(jìn)行實時答疑解惑，理論＋實操授課方式結(jié)合大量實戰(zhàn)案例與項目演練，聚焦人工智能技術(shù)在固態(tài)電解質(zhì)和鋰離子電池領(lǐng)域的最新研究進(jìn)展，課前發(fā)送全部學(xué)習(xí)資料，課程提供全程答疑解惑；

完全貼合學(xué)員需求的課程體系設(shè)計，定期更新的前沿案例，由淺入深式講解，課后提供無限次回放視頻，免費贈送二次學(xué)習(xí)，發(fā)送全部案例資料，永不解散的課程群答疑，可以與相同領(lǐng)域內(nèi)的老師同學(xué)互動交流問題，讓求知的路上不再孤單！

增值服務(wù)

1、凡參加人員將獲得本次課程學(xué)習(xí)資料及所有案例模型文件；

2、課程結(jié)束可獲得本次所學(xué)專題全部回放視頻；

3、課程會定期更新前沿內(nèi)容，參加本次課程的學(xué)員可免費參加一次本單位后期舉辦的相同專題課程（任意一期）

課程時間

機(jī)器學(xué)習(xí)鋰離子電池專題

2025.10.28----2025.10.31（晚上19.00-22.00）

2025.11.01----2025.11.02（上午9.00-11.30 下午13.30-17.00）

2025.11.06----2025.11.07（晚上19.00-22.00）

騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

機(jī)器學(xué)習(xí)固態(tài)電池專題

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（上午9.00-11.30 下午13.30-17.00）

騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

機(jī)器學(xué)習(xí)催化劑設(shè)計專題

2025.11.08----2025.11.09（上午9.00-11.30 下午13.30-17.00）

2025.11.15----2025.11.16（上午9.00-11.30 下午13.30-17.00）

2025.11.22（上午9.00-11.30 下午13.30-17.00）

騰訊會議 線上授課（共五天課程 提供全程視頻回放及課程群答疑）

課程費用

直播課：

《機(jī)器學(xué)習(xí)鋰離子電池專題》、《機(jī)器學(xué)習(xí)固態(tài)電池專題》《機(jī)器學(xué)習(xí)催化劑設(shè)計專題》

每人每班￥4980元（包含會議費、資料費、提供課后全程回放資料）

早鳥價：提前報名繳費學(xué)員可得300元優(yōu)惠（僅限前15名）

套餐價：

兩門同報：同時報名兩門課程￥9080元

三門同報：同時報名三門課程￥12880元

年報優(yōu)惠：￥16580元（可免費學(xué)習(xí)一整年本單位舉辦的任意專題課程）

報名費用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷。

聯(lián)系方式

聯(lián)系人：王老師

咨詢電話：17654576050（微信同號）

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。