机器学习赋能的多尺度材料模拟与催化设计前沿技术
材料科学、物理学、化学、金属学与金属工艺、无机化工、有机化工、环境科学与资源利用、燃料化工、力学、自动化技术等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。3.讲师介绍双一流及985工程建设高校副教授、硕导。主持国家自科基金及省部级项目10余项，发表SCI 检索论文160余篇，包括PNAS、Angewan. Chem.、Adv. Mater.、Adv. Fun. Mater.、ACS Catal.等化学材料类著名期刊，论文总共他引5800余次，H因子44。主要从事多相催化、电化学以及水处理高级氧化等领域研究。在多尺度理论模拟计算、人工智能机器学习在催化领域中应用等方面积累了丰富的经验。
- 多尺度建模与机器学习融合：涵盖分子动力学（MD）、第一性原理计算（DFT）等微观模拟方法，结合机器学习（随机森林、图神经网络GNN）与强化学习（DQN），打通“原子-介观-宏观”跨尺度关联，实现材料性能预测与催化反应路径优化的智能驱动。2. 工具链与实战案例导向：以VASP、LAMMPS、Quantum ESPRESSO等计算软件为核心，集成scikit-learn、PyTorch、DGL等机器学习框架，构建“DFT计算→MD动态模拟→ML模型训练→验证”全流程实战链，覆盖锂硫电池隔膜设计、压电催化工艺优化等场景。3. “理论-方法-应用”渐进式培养体系：从力场选择、热力学系综等基础理论，到监督/无监督学习、迁移学习等前沿方法，延伸至能源材料（如聚硫化物催化转化、污染物氧化降解）的工业级应用，确保学员系统性掌握技术栈。4. 物理机理与数据驱动协同创新：突破纯数据驱动局限，将物理规则（如ReaxFF力场、Bader电荷分析）嵌入机器学习模型（如特征工程中的电子结构描述符、GNN原子图建模），增强模型可解释性，提升跨体系泛化能力。
