传统路径中评估单体乃至系统层级的锂离子电池荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）及剩余寿命（Remaining Useful Life, RUL），往往发端于"碎片化"的充放电测试和离线电化学阻抗谱分析，须历经冗长的等效电路拟合与经验参数标定流程。此处的"碎片化"并非研究者的测试方案缺乏整体布局，实则源于电化学体系的固有制约，无异于"以偏概全"。
电池老化机制的耦合交织（如SEI膜生长、活性物质损失、锂库存消耗）与长周期循环测试成本的尖锐矛盾，使得该模式对全生命周期内电池性能衰退轨迹的预判充斥着大量灰色地带。而AI基础模型（AI Foundation Models）的挺进，则从根本上瓦解了既有工作流，驱动其向全域智能预测蜕变。
基础模型通过对海量多源异构信息（如恒流恒压充电曲线、动态放电工况、交流阻抗谱、温度场分布、机械应力演变及历史运行日志）的自主化表征学习，能够构筑覆盖数万种工况-寿命组合的高置信度电池状态评估网络，不再是依赖离线标定和半经验模型的外推估算，而是直观映射那些"电-热-力耦合最紧密"区域的性能退化进程。
更进一步，基础模型拥有高超的多模态融合与长程依赖捕获才干，例如在动力电池系统或储能电站运维中，它能同步解构充放电倍率波动、环境温度漂移、极化内阻演化、析锂临界条件与均衡管理策略之间的级联作用，从而精准锁定核心衰退诱因与最优运维方案。参会对象高校师生：涉及电化学、材料科学与工程、能源动力工程、车辆工程、电气工程、控制科学与工程、人工智能与数据科学等相关专业的教师、博硕研究生及高年级本科生。
科研人员：从事电池老化机理研究、电池管理系统（BMS）算法开发、储能系统安全评估、退役电池梯次利用、全生命周期状态预测等领域的研究人员。企业技术与管理人员：来自动力电池制造商（如宁德时代、比亚迪、中创新航）、新能源汽车主机厂（如特斯拉、蔚来、小鹏）、储能系统集成商（如阳光电源、华为数字能源）、电池检测与认证机构、BMS芯片与算法供应商的技术研发与项目管理人员。
针对性痛点与课程价值倘若您是正处学术攻坚期的硕博研究生，正面临SCI选题深度不足、传统等效电路模型精度随老化急剧衰减、数据驱动方法缺乏物理可解释性、多因素耦合衰退机制难以解耦的窘境——那么，本课程正是为您量身打造的解局利器！机器学习驱动锂离子电池智能评估已成为Nature Energy、Energy & Environmental Science、Journal of Power Sources、Applied Energy、eTransportation等顶刊高频聚焦的前沿赛道（近五年涉及电池寿命预测、健康状态估计、充电策略优化的机器学习论文呈井喷式增长）。
贯通AI基础模型与电化学的交叉研究范式，不仅能助您高效整合多源测试数据与物理先验知识，搭建高精度电池状态估计与剩余寿命预测一体化平台，更能大幅提升论文创新高度与审稿接纳率，为毕业答辩、博士后申请、跻身国际顶尖电池研究团队与头部新能源企业（如特斯拉、宁德时代、比亚迪、中创新航、国轩高科、蜂巢能源、华为数字能源等）铸就极具分量的竞争筹码。
2026热门专题课程
专题一：机器学习锂离子电池专题二：人工智能锌离子电池与液流电池
专题三：机器学习固态电解质专题四：机器学习催化剂设计
专题一：机器学习锂离子电池课程目标
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。讲师介绍来自全国重点大学、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。
专题二：人工智能锌离子电池与液流电池课程目标
1.系统引导学员建立人工智能与锌离子电池、液流电池材料研究的交叉知识体系，理解监督学习、无监督学习、集成学习、深度学习、图神经网络及大语言模型的核心原理，掌握不同算法在容量与电压预测、分子性质预测、晶体结构识别、材料筛选和文献知识挖掘等任务中的适用条件与局限。
2.帮助学员掌握锌离子电池和液流电池材料数据的获取、清洗、表征与可信划分方法，能够使用Pandas、scikit-learn、RDKit、pymatgen和PyTorch完成特征工程、模型训练、交叉验证、超参数优化及SHAP解释；理解文献来源泄漏、分子骨架外推和晶体结构域偏移，避免仅依赖随机划分得到不可靠的高分模型。
3.让学员掌握从传统模型到结构感知模型的递进式建模方法，能够运用随机森林和XGBoost分析正极容量及电极动力学，使用MLP、DNN和一维CNN处理材料表格、分子描述符及XRD谱图，并利用MolGAT、GCNN/CGCNN建立有机液流分子与锌电极性质预测模型，进一步构建晶体空隙、迁移通道和多性质串联筛选流程。
4.掌握“数据—特征—模型—评价—筛选—知识组织”的完整研究流程，能够从锌离子电池与液流电池论文中结构化提取材料、性能和测试条件，构建材料知识图谱及RAG系统。课程案例均围绕可获取数据设计，使学员能够复用教学代码与固定数据集独立开展相关材料研究。讲师介绍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的材料设计与预测研究，帮助学员形成可复现、可解释且面向材料发现的人工智能研究能力。本课程聚焦机器学习、深度学习与大语言模型在锌离子电池和液流电池材料研究中的应用，围绕正极、负极界面、电解液、膜材料及有机液流活性分子等核心对象，制作案例。
课程按照“材料数据—经典机器学习—无监督学习—分子表示—深度学习—图神经网络—材料筛选—知识图谱RAG”的技术路线组织理论与实操。
专题三：机器学习固态电解质课程目标
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。讲师介绍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。
专题四：机器学习催化剂设计课程目标
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。
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。
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。
讲师介绍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。
PART 01 机器学习锂离子电池
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。
PART 02人工智能锌离子电池与液流电池
第一天上午理论内容锌离子电池与液流电池材料数据基础：实验数据、文献数据、DFT数据与机器学习标签正极、负极、电解液、膜和活性分子的常见数据形式机器学习基本流程：数据清洗、特征构建与训练测试集划分回归、分类及常用评价方法材料数据中的信息泄漏：按文献来源、分子骨架和晶体结构原型划分数据实操：掺杂MnO₂正极容量数据的清洗、统计与可视化SOMAS有机液流电池分子溶解度数据的整理与分析，为液流电池活性分子溶解度预测提供数据基础Materials Project高电压锌离子电池正极数据的筛选与可视化
第一天下午理论内容材料表格数据的机器学习流程：数值特征、类别特征与分子指纹Pipeline、交叉验证与超参数优化随机森林、XGBoost和支持向量机SHAP特征解释及其物理意义按文献来源、电极组合和分子骨架进行外推测试项目实操（约2.5—3小时）：基于随机森林和XGBoost预测掺杂MnO₂正极放电容量基于GITT扩散系数和XGBoost建立锌电池正负极动力学匹配模型基于随机森林联合预测醌类分子的还原电位和pKa
第二天上午理论内容有机液流电池活性分子的结构表示：SMILES、Morgan指纹与分子描述符；醌类、氮杂芳香分子与氧化还原反应对分子性质预测；氧化还原反应能和水溶解度；随机划分、骨架划分与域外测试多目标材料评价：电位、溶解度、稳定性和可合成性的权衡实操内容RedDB分子数据清洗、SMILES规范化和分子指纹生成RedPred有机液流电池反应能预测及域外误差分析SOMAS实验水溶解度回归及模型适用域分析
第二天下午理论内容深度学习基础：神经元、激活函数与损失函数前向传播、反向传播与梯度下降PyTorch数据集、训练循环与早停材料深度学习模型：表格数据多层感知机分子描述符深度神经网络一维卷积神经网络与XRD谱图数据增强与模拟—实验域偏移项目实操
1. 使用NumPy手写多层感知机预测MnO₂正极容量
2. 使用PyTorch构建深度神经网络预测有机液流分子反应能
3. 使用一维卷积神经网络识别锌离子电池正极XRD晶体对称性
第三天上午理论内容图神经网络基础：节点、边、邻接关系与消息传递GCN、GAT与Graph Transformer材料图表示：SMILES到分子图CIF到周期性晶体图迁移学习：大规模锂电数据预训练小规模锌电数据微调实操内容案例：通过带边特征的图注意力网络预测氧化还原电位，并对大规模有机分子库进行虚拟筛选。
多价电池电压研究利用锂电极数据预训练，再迁移到Zn、Mg、Ca和Al等小样本体系，显著降低多价离子电极电压预测难度。
探索图卷积网络、深度神经网络和随机森林的训练数据与实现，在同一域内和域外测试集上比较不同材料表示。第三天下午理论内容材料筛选与优化：晶体空隙、贯通路径与结构描述符多目标筛选与阈值敏感性串联模型、规则过滤与候选排序计算候选、可合成性与实验验证的区别项目实操
1. 基于晶体空隙和贯通路径筛选可充水系锌电池正极
2. 基于Materials Project复现高电压锌正极多级筛选漏斗
3. 使用RedCat复现有机液流电池活性分子
自动筛选流程案例：可充水系锌正极计算从材料数据库检索氧化物、硫属化物、普鲁士蓝类似物和聚阴离子材料，通过晶体空隙、Zn²⁺贯通路径和电化学稳定性筛选候选。高电压锌正极研究采用组成、稳定性、电压、容量、Zn²⁺插层和迁移势垒组成的多级筛选漏斗，从大规模晶体数据库中寻找候选正极。将结构过滤、RedPred反应能、AqSolPred溶解度、价格、DFT和分子动力学串成自动筛选流程，从大规模分子库中获得有机液流电池候选。第四天上午理论内容无监督学习基础：什么是无监督学习无监督算法——K-means与层次聚类无监督算法——PCA与t-SNE降维材料与化学数据的特征工程：分子结构表示与分子指纹类别特征的独热编码数据标准化、距离度量与聚类评价实操内容基于PCA和K-means分析掺杂MnO₂正极材料空间基于t-SNE和层次聚类分析有机液流电池分子空间基于PCA和层次聚类识别锌正极晶体结构家族案例：掺杂MnO₂数据包含元素属性、实验条件和放电容量，观察主要变化方向，再用K-means分析材料簇与容量等级之间的对应关系。利用分子指纹、t-SNE和层次聚类比较不同母核及官能团形成的化学空间。多价电池电压研究公开了锌电极CIF和标签，提取组成、密度、体积、空间群等描述符，再通过PCA和层次聚类识别结构家族。第四天下午理论内容大语言模型基础：提示词、上下文与结构化输出JSON Schema与字段校验检索增强生成：文本切分、向量检索与重排序知识图谱、实体链接与多跳检索科研问答可靠性：引用溯源、幻觉检测与无证据拒答实操内容案例：实体识别和问答模型嵌入电池文献抽取流程，可用于提取正极、电解液、容量和测试条件。从材料文献中构建包含材料、性质、合成和应用关系的大规模知识图谱，可筛选Zn、MnO₂、vanadium和electrolyte相关子图。将两者与锌电解液RAG筛选研究结合，完成结构化抽取、知识图谱RAG和对照评测。
PART 03机器学习固态电解质
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。部分案例图片
PART 04 机器学习催化剂设计
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2.3Bosting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。
往期学员反馈
课程模式与增值服务
课程模式1、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。2、理论＋实操授课方式，由浅入深式讲解，结合大量实战案例与项目演练，聚焦AI大模型在锌硫电池、固态电解质、催化剂领域的最新研究进展。3、课前发送全部学习资料（上课所有使用的软件、包括丰富的PPT，大量的代码数据集资源）课程提供全程答疑解惑。4、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，永不解散的课程群答疑服务，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）！
授课时间
人工智能锌离子电池与液流电池专题：2026.10.12---10.15（晚上19:00-22:00）2026.10.17---10.18（上午09:00-11:30 下午13:30-17:00）腾讯会议线上授课（共四天课程提供全程视频回放和课程群答疑）机器学习固态电解质专题：2026.10.17---10.18 (上午09:00-11:30 下午13:30-17:00)2026.10.21---10.22 (晚上19:00-22:00)2026.10.24---10.25 (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）机器学习锂离子电池专题：2026.10.19---10.22（晚上19:00-22:00）2026.10.29---10.30（晚上19:00-22:00）2026.10.31---11.01（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）机器学习催化剂设计专题：2026.10.20---10.23（晚上19:00-22:00）2026.10.24---10.25（上午09:00-11:30 下午13:30-17:00）2026.10.26---10.27（晚上19:00-22:00）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
课程费用
人工智能锌离子电池与液流电池、机器学习固态电解质、机器学习锂离子电池、机器学习催化剂设计每人每班¥4980元（包含培训费、资料费、提供课后全程回放资料）重磅优惠福利早鸟价：提前报名缴费学员可得300元早鸟优惠（仅限前10名）
报二赠一：¥9880（同时报名两门直播课额外赠送一门）
四门同报：¥12880（同时报名四门直播课）
年报价：¥18880（一年内可参加本公司举办的任何课程，不限次数及课程，包括之后新课）
报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销