近年來，生成式人工智能（包括大語言模型、分子生成模型等）在聚合物及復合材料領域掀起革命性浪潮，其依托數據驅動與機理協同，從海量數據中挖掘構效關系、通過分子結構表示（如 SMILES、BigSMILES）與生成模型（VAE、GAN、Diffusion 等）實現分子逆向設計的核心能力，正顛覆依賴實驗試錯或量子計算的傳統研發模式 —— 突破周期長、成本高、多目標優化難等瓶頸，快速預測材料性能、生成新型結構，加速從實驗室到產業化進程；2020 年以來相關研究論文年增長率超 300%，且被能源部、歐盟材料基因組計劃等列為戰略技術方向，與聚合物智能創制全流程（從數據到模型、從預測到設計）的實踐需求高度契合。
適合材料科學、電力工業、航空航天科學與工程、有機化工、無機化工、建筑科學與工程、自動化技術、工業通用技術、汽車工業、金屬學與金屬工藝、機械工業、船舶工業等領域的科研人員、工程師、及相關行業從業者、跨領域研究人員。
特色
前沿技術與理論結合：課程涵蓋了生成式 AI 的基本概念、深度學習技術、大語言模型等前沿內容，同時結合了高分子材料的特性，使學員能夠系統地了解和掌握最新的技術動態及其在材料領域的應用。
豐富的案例實踐：通過多個案例實踐教學環節，如利用機器學習預測聚合物粘度、構建耐熱高分子篩選工作流、大語言模型實現聚合物性質預測等，讓學員在實際操作中加深對理論知識的理解，提升解決實際問題的能力。
多學科 知識融合：課程內容涉及深度學習、高分子材料科學、材料基因組工程等多個學科領域，學員能夠在學習過程中拓寬知識面，培養跨學科思維，更好地應對復雜的研發任務。
系統性與針對性：課程從生成式 AI 的基礎知識講起，逐步深入到大語言模型、材料基因組工程等核心內容，使學員能夠系統地構建知識體系，同時掌握與高分子材料研發相關的具體技術和方法。
工具與平臺應用：介紹 Tensorflow、Pytorch、HuggingFace、Langchain、Gradio 等先進的深度學習模塊和工具，使學員能夠熟練使用這些工具進行高分子材料的研發工作，提升工作效率。
人工智能賦能聚合物及復合材料模型應用與實踐
一、 基礎概述與核心方法論
-
AI 在聚合物及復合材料領域的理論基礎和應用概述
-
傳統機器學習，深度學習和生成式 AI 方法概述
-
AI for 聚合物（及復合材料）研究的核心問題（聚合物多層次結構表示、性能預測、結構設計等）
-
聚合物研究的 AI 方法論框架
4.1 數據驅動與機理驅動的協同（第一性原理到領域知識）
4.2 聚合物智能創制研究全流程：從數據到模型，從預測到設計
二、 數據與特征工程
- 學術數據資源與獲取
1.1 常見數據庫：Material Project、Polymer Genome、Polylnfo 等
1.2 聚合物公開 benchmark 和 Kaggle 數據集
- 數據預處理與質量優化
2.1 均聚物數據集清洗、去噪、標準化 (實踐)
- 2 使用清洗后的數據進行可視化：小提琴圖、PCA、T-SNE、UMAP等 (實踐)
2.3 聚合物復合材料數據收集與預處理 (實踐)
- 特征工程
3.1 結構表示與編碼（如分子指紋、鏈結構特征、3D 結構特征、神經網絡指紋）
3.2 特征選擇方法（過濾法、包裝法、遞歸消除法等）(實踐)
3.3 物理機理指導的特征選取（聚合物鏈結構帶來的空間位阻、氫鍵描述符等）
3.4 均聚物性能研究（如耐熱性、力學性能、介電性能、透氣性/阻燃性等）(實踐)
3.5 數據集規模與質量對模型的影響(Scalling laws in polymers) (實踐)
三、 模型體系（從基礎到前沿）
- 傳統機器學習模型及應用
1.1 基礎模型：SVR、決策樹、隨機森林、感知機、XGBoost、LGBM、AdaBoost 等，模型評估策略：MAE、RMSE、R2、Accuracy、F1等
1.2 應用場景：復合材料力學性能預測（如應力應變曲線）(實踐)
- 深度學習模型
2.1 深度學習模型訓練與部署：Tensorflow/PyTorch、Gradio 等 (實踐)
2.2 深度神經網絡（DNN）與參數更新、卷積神經網絡（CNN）、圖神經網絡（GNN）在聚合物中的應用 (實踐)
3.3 （聚合物）材料基因工程中的高通量計算與模型概述及入門（MatterSim、DeepMD、RadonPy、SMiPoly 等)
- 生成式 AI 與大語言模型
4.1 大模型訓練與部署：Langchain、HuggingFace 等 (實踐)
4.2 （聚合物）分子生成模型：VAE、GAN、Diffusion 等 (實踐)
4.3 大語言模型（LLM）：GPT、BERT、T5、DeepSeek 等架構與應用 (實踐)
四、 性能預測與材料設計
- 正向性能預測
1.1 機器學習預測聚氨酯復合材料應力應變曲線 (實踐)
1.2 機器學習預測 PI 復材力學性能 (實踐)
1.3 可解釋性分析：特征重要性分析、SHAP 值的應用 (實踐)
- 逆向設計與智能篩選
2.1 生成式 AI 驅動的全空間聚合物材料生成 (實踐)
2.2 高通量篩選工作流：從結構生成到性質預測的聚合物批量篩選 (實踐)
五、 前沿 I AI 方法在聚合物領域實踐案例與科研指導
-
聚合物表示學習性能探索（描述符、分子圖、SMILES、BigSMILES、SELFIES 等）(實踐)
-
聚合物領域知識出發的對比學習，主動學習和強化學習框架實現 (實踐)
-
聚合物生成式模型與大語言模型實踐（如 polyBERT、Transpolymer預測聚合物性能）(實踐)
)
