mning6的博客

原创 建议所有做AI+流体力学仿真的研究人员都来看一看，看完发论文发到手软！

3. 熟悉多种AI技术在流体力学中的应用：培训中将介绍多种AI技术，如物理信息神经网络（PINN）、深度强化学习、图神经网络（GNN）、Vision Transformer（ViT）、神经常微分方程（Neural ODE）、扩散模型、神经算子（Neural Operator）等，并深入剖析其在流体力学问题中的应用，帮助学员拓宽技术视野。研究方向包括：理论流体力学、智能材料、智能流体力学的量子计算、数据驱动的流体力学、流体力学的核函数方法、仿真实验分析等。

原创 建议所有做大模型+PINN的硕博士都去学一下，真的是夯爆了~！

本文系统介绍了物理信息神经网络（PINN）的理论框架与实践应用。课程涵盖偏微分方程数值解基础、深度学习算法原理，重点讲解PINN在流体力学、固体力学等领域的创新应用，包括Navier-Stokes方程求解、材料参数反演等前沿课题。通过PyTorch/DeepXDE/SciANN等工具实现谐振子、渗流等典型案例，解析顶刊论文中的自适应采样、傅里叶特征等关键技术。课程还涉及量子计算入门和大模型辅助编程，帮助学员掌握从理论推导到工业级应用的完整技术链。讲师具有丰富的研究和教学经验，曾在中科院一区期刊发表多篇相关论

原创 重磅首发！混凝土材料领域再创新高度！开启智能建造新纪元！

《机器学习赋能混凝土材料性能预测与优化》课程摘要 本课程系统介绍机器学习在混凝土材料领域的创新应用，涵盖从数据预处理到模型优化的全流程。课程内容包括：线性/非线性回归模型（KNN、SVM、随机森林等）、神经网络（MLP）、集成学习方法及物理驱动神经网络（PINNs）在混凝土强度预测中的应用；重点讲解特征工程、超参数优化（贝叶斯优化）和模型可解释性分析（SHAP方法）；通过实际案例演示如何利用机器学习优化混凝土配合比设计。课程面向土木工程、材料科学等领域的研究人员和工程师，旨在培养运用AI技术解决混凝土材料设

原创 【无标题】

原创 【无标题】

原创 【无标题】

原创 深度学习PINN专题学习

原创 深度学习材料设计专题学习

d深度学习驱动材料智能：高通量筛选、图像解析、时序预测与晶体生成一站式训练营！

原创 破译钙钛矿密码：从图神经网络到无铅化智能筛选的颠覆性路径！

摘要：该机器学习钙钛矿设计课程系统讲解机器学习在钙钛矿材料研究中的应用，涵盖监督学习、集成学习、无监督学习及图神经网络等核心算法。课程通过理论讲解与实操结合，指导学员掌握钙钛矿数据预处理、特征工程、模型构建与优化等全流程技能，重点应用于性能预测、无铅材料筛选和界面钝化等研究场景。由经验丰富的李老师授课，帮助学员运用机器学习加速钙钛矿太阳能电池研发，提升科研成果产出能力。课程特色包括材料数据特异性处理、多算法比较及图神经网络在晶体结构预测中的创新应用。

原创 机器学习加速材料设计与分子动力学模拟！

【摘要】机器学习分子动力学模拟线上课程将于2026年5月20日至6月13日举办，通过腾讯会议授课并提供回放。课程涵盖数据驱动材料科学的理论框架与五大应用场景（性质预测、势函数开发、轨迹分析、结构反演、优化设计），结合Python工具链与12个典型案例（包括蛋白质构象识别、高熵合金性能预测等），重点讲解机器学习如何突破传统分子模拟的尺度与精度限制。课程特色在于将前沿文献方法转化为可实操的代码实现，帮助研究者建立"结构-性能"的智能建模能力。

原创 第一性原理到深度学习：材料计算新范式！

【摘要】"深度学习第一性原理"线上课程将于2026年6月2-15日举行，为期5天。课程由中国顶尖高校专家主讲，涵盖量子力学基础、DFT原理、材料特征工程及机器学习融合应用等内容。通过Python、pymatgen等工具，学员将掌握从材料建模到性能预测的全流程计算技能，包括二维材料分析、分子动力学模拟及热电/超导材料优化等前沿应用。课程提供视频回放和答疑服务，适合合金设计等材料领域研究人员提升计算模拟能力。

原创 机器学习驱动合金设计：从预测建模到逆向优化！

【机器学习赋能合金设计专题课程】该线上课程（2026.5.16-24）由国内顶尖专家主讲，系统讲解机器学习在合金研发中的应用。课程包含四大模块：1）前向预测建模，构建成分-工艺-性能的代理模型；2）逆向设计方法，通过优化算法实现性能导向的成分筛选；3）主动学习策略，解决小样本条件下的性能极值探索；4）多模态数据融合，实现工程约束下的系统化设计。通过14个案例实践（涵盖镁合金、铜合金等），学员将掌握从数据清洗到工程落地的全流程智能设计能力，推动合金研发从经验试错向数据驱动范式转变。课程提供回放与答疑服务。

原创 深度学习赋能MOF从模拟到合成！

《深度学习驱动MOF材料智能研发》课程聚焦AI技术在金属-有机框架材料领域的创新应用。通过四天系统培训，学员将掌握从分子模拟到AI逆向设计的全链条技术，包括16个Python实战案例（如GCMC模拟、GNN建模、贝叶斯优化等）。课程由顶级期刊发文专家授课，内容涵盖MOF结构解析、性能预测、生成式设计及自主合成系统构建，助力突破传统研发效率瓶颈。1980元录播课程提供完整资料与社群答疑，适合材料与AI交叉领域研究者。

原创 大模型PINN专题学习

本文介绍了大模型PINN专题课程的核心内容，涵盖理论、实践与前沿应用。课程从微分方程基础到深度学习框架，系统讲解PINN（物理信息神经网络）理论及实现方法，包括强形式、变分形式等不同求解策略。重点培养学员基于PyTorch/DeepXDE等工具构建PINN模型的能力，覆盖流体力学、固体力学等领域的前沿应用场景。课程特色在于结合顶刊论文复现与工业级案例实践，通过对比传统数值方法与PINN的差异，揭示物理约束与数据驱动的协同机制。同时引入大模型辅助编程技术，提升复杂问题的求解效率。该课程旨在培养具备跨学科创新能

原创 COMSOL光学超表面：从能带到拓扑优化的全流程仿真！

COMSOL光学超表面专题课程系统讲解天线与超表面的物理原理及有限元法建模技术。课程涵盖周期性结构能带仿真、波导系统、非线性场、天线设计、拓扑超表面等核心内容，通过典型器件案例（如偏振转换器、相位延迟器等）的仿真实践，帮助学员掌握结构建模、参数优化等关键技能。课程由重点大学光学仿真专家团队授课，结合科研前沿成果（Phys Rev Lett、Nature子刊等论文案例），培养学员独立设计超表面器件的能力，为科研发表和工程应用提供支持。

原创 深度学习+第一性原理：五天攻克DFT、CGCNN与材料预测！

本文介绍了一个为期五天的深度学习与第一性原理计算融合课程。课程内容涵盖：1）量子力学基础理论和DFT计算原理；2）材料建模与电子结构计算全流程；3）材料特征工程与机器学习建模；4）CGCNN网络搭建与分子动力学分析；5）多物理场耦合和缺陷体系等综合应用。通过Python编程、pymatgen等工具，结合20+实际案例，系统培养学员在材料计算与性能预测方面的能力。课程由在Advanced Materials等顶刊发表多篇论文的专家主讲，适合希望掌握AI+材料计算交叉技术的研究者。

原创 AI驱动电磁超材料设计与多尺度预测！

AI驱动电磁超材料设计与多尺度预测培训课程摘要 本课程系统讲授AI在电磁材料设计中的创新应用，涵盖CNN、DiNN、PINN、GAN等深度学习技术，以及Transformer等大模型方法。通过PyTorch、FEniCS等工具，构建从微观结构到宏观性能的端到端预测模型，应用于超材料、磁性材料的设计优化。课程特色包括： 多尺度建模：整合微观纳米结构与宏观电磁性能预测 创新方法：融合物理约束的PINN和逆向设计的GAN 工程应用：覆盖通信、雷达、量子计算等领域 大模型技术：利用预训练模型处理复杂电磁数据 效率对

原创 深度学习赋能超导材料与量子器件多尺度设计！

本课程系统讲授超导材料与量子器件的多尺度研究方法，涵盖超导物理机理、第一性原理计算、强关联体系分析及量子器件仿真四大模块。课程通过15个实战案例，帮助学员掌握从DFT电子结构计算、DMFT强关联修正到CPW谐振器设计的全链条技术，重点培养运用深度学习进行超导材料逆向设计和性能预测的能力。由国内顶尖科研机构专家授课，内容涵盖传统BCS理论到高温超导非声子机制，以及Triqs工具库应用、图神经网络预测模型等前沿技术，为超导量子计算等研究奠定基础。

原创 深度学习驱动MOF材料逆向设计与自主合成！

深度学习助力MOF材料智能研发创新 本课程系统讲授人工智能驱动的MOF材料逆向设计与自主合成全链条技术。通过四天密集培训，学员将掌握： 1）分子模拟与高通量计算技术，实现从CIF解析到虚拟筛选的自动化流程 2）机器学习与深度学习方法，构建构效关系模型和生成式材料设计 3）自主研发系统整合能力，建立AI设计-合成-表征的智能闭环 课程包含16个实战案例，涵盖结构解析、性能预测、逆向设计、合成优化等关键环节，采用Python生态工具实现。由在Nature Communications等顶刊发表40余篇论文的专家

原创 从DeePMD到通用大模型的分子模拟新范式！

AI for Science时代下，机器学习分子动力学（ML-FFs）正成为计算化学新范式。课程系统讲解从传统力场到DeePMD、等变模型（NequIP/MACE/Allegro）及通用大模型（MACE-OFF23等）的全套技术，涵盖LAMMPS、量子化学软件操作及Python数据分析。通过案例对比传统与AI方法，帮助学员掌握高精度分子模拟、主动学习和大模型微调等前沿技能，突破跨学科研究门槛。课程含丰富实操（Linux/Python/GPU并行）和科研绘图技巧，适合计算化学与材料科学研究者快速提升AI模拟能

原创 机器学习与深度学习在材料化学中的建模与应用！

本次机器学习培训课程为期五天，内容涵盖理论与实操。理论部分系统讲解机器学习基础、监督/无监督学习、深度学习和图神经网络等方法；实操部分通过Python工具链实现各类算法，并应用于材料与化学领域的多个案例，包括催化剂筛选、光催化材料设计等。课程特色是理论与应用结合，通过具体科研案例（如CO2RR催化剂预测、ORR/OER催化剂设计等）演示机器学习在材料化学研究中的实际应用，帮助学员掌握从数据处理到模型优化的全流程技能。

原创 机器学习加速固态电池材料设计与多尺度模拟！

本文介绍了机器学习在固态电池研发中的应用培训课程。课程内容包括：固态电池基础知识（材料构成、性能指标）；DFT和MD计算实践（电解质性质模拟）；Python数据处理与特征工程（结构信息提取、特征构建）；机器学习模型构建（回归/分类模型、深度学习）；材料数据库应用（高通量筛选）；以及神经网络势函数开发（加速MD模拟）。通过5天系统培训，学员可掌握机器学习加速固态电池材料研发的全流程方法，包括从计算模拟到性能预测的关键技术。课程结合理论讲解与实操练习，帮助研究者提升材料设计效率。

原创 机器学习与人工智能在锂离子电池研究中的应用！

本文介绍了机器学习在锂离子电池研究中的系统应用培训课程。课程内容包括：机器学习基础、监督/非监督学习、神经网络、深度学习架构等理论与实战训练，重点演示如何利用机器学习预测电池性能、筛选材料、优化管理系统等。通过12个实战案例，如基于图神经网络的性能预测、LLM驱动的文献数据提取等，展示机器学习在电池材料研发、寿命预测、健康状态评估等环节的创新应用。该培训旨在帮助研究者掌握AI技术，推动电池领域的研究突破。

原创 深度学习光学成像专题学习

【深度学习光学成像专题培训】2026年4月18-28日通过腾讯会议线上举办，共5天课程（含晚间时段）。课程涵盖光学成像基础、高分辨成像技术、计算光学成像逆问题求解、显微成像技术及深度光学技术等内容，包含Python环境搭建、深度学习算法实践等实操环节。由985/211高校毕业的资深讲师授课，分享SCI论文发表经验及专利成果。培训提供全程视频回放、课程群答疑及全套数据集代码，通过顶刊论文复现和案例教学，帮助学员掌握深度学习在光学成像中的创新应用，提升科研项目能力。

原创 专题二：COMSOL光学超表面专题

本课程系统讲解光学超表面设计原理与COMSOL仿真技术，涵盖周期性结构、波导系统、非线性场、天线设计等核心内容。通过理论讲授与案例实践结合，帮助学员掌握超表面物理机制、建模流程、参数优化等关键技能。课程包含光子晶体、拓扑超表面、时域超表面等前沿方向，并提供形状优化与拓扑优化实战训练。由985高校专家团队授课，基于PhysRevLett、Nature等高水平论文案例教学，助力学员独立完成科研级仿真设计。

原创 2026发文必看！建议所以做电磁仿真的研究人员全去学一下！太关键了！

2026年电磁仿真领域重磅发文指南！研究人员必备技能更新，掌握这些关键方法将大幅提升研究效率。点击链接获取权威学习资源，助您抢占学术先机！专业建议：所有电磁仿真方向学者都应系统学习最新技术。

原创 深度学习驱动下的第一性原理计算：从电子结构到材料智能设计的范式变革！

摘要：本文介绍深度学习与第一性原理计算在材料科学中的创新融合。通过神经网络优化DFT计算，显著提升材料性能预测精度（如CGCNN模型达实验水平90%）。专题涵盖量子力学基础、Python编程、特征工程构建及神经网络应用，包含23个实战案例，涉及石墨烯能带计算、热电材料优化等前沿领域。主讲专家在Advanced Materials等顶刊发表多篇论文，课程将帮助学员掌握从理论计算到AI预测的全流程技能，推动新能源、超导等战略材料的智能化研发。

原创 从有限元到神经网络：人工智能赋能结构力学的理论与应用！

本课程聚焦人工智能与结构力学的交叉应用，通过5天系统培训帮助学员掌握Python编程、PINN建模、ABAQUS/COMSOL仿真及机器学习技术。课程特色包括：1）从基础理论到前沿技术全覆盖，包含刚度矩阵推导、多物理场耦合等核心内容；2）实战导向，通过梁受力分析、CNN应力预测等20+案例强化实操能力；3）创新融合AI工具，教授用PINN求解PDE、VAE分析仿真数据等先进方法；4）DeepSeek智能辅助，优化代码调试与论文写作流程。适合希望提升结构力学仿真与AI建模能力的研究人员，通过复现顶刊论文案例，

原创 人工智能与光学系统的深度融合：大模型在光学设计与成像中的应用~！

《Nature重磅：超表面硬件融合物理AI开创定量相位成像新范式》报道了超表面与人工智能融合的创新突破。文章同时介绍了"大模型光学设计"专题课程，该课程系统培养LLM在光学设计中的应用能力，涵盖Transformer架构、光学结构语义描述、FDTD仿真集成等核心内容，由光学顶尖高校专家主讲。课程分为光学基础、计算成像建模、大模型应用、联合优化方法和LLM驱动成像五大模块，致力于培养自然语言交互的工程设计新范式能力，推动AI技术与光学科学的深度交叉创新。

原创 深度学习计算光学成像专题学习

《Nature》最新研究揭示超表面硬件与物理AI融合的创新成果，开创了定量相位成像新范式。本深度学习计算光学成像专题课程由光学顶尖高校专家主讲，系统讲解光学成像基础、深度学习算法及应用，涵盖高分辨成像、计算成像逆问题求解、显微成像等核心技术。通过Python实操、顶刊论文复现和案例实践，学员将掌握光学系统优化设计、图像增强及计算机视觉任务等技能。课程为期五天，包含主流神经网络搭建、压缩感知成像、无透镜成像等前沿内容，助力科研创新。

原创 comsol光学超表面专题学习

本课程系统讲解COMSOL光学超表面仿真设计，涵盖天线、超表面物理原理及有限元法建模全流程。通过理论结合实践，学员将掌握周期性结构能带仿真、波导系统、非线性场、天线设计等关键技术，并完成偏振转换器、相位延迟器等典型器件仿真。课程还包含拓扑超表面、时域超表面等前沿内容，以及形状优化、拓扑优化等实战设计。由985高校专家团队授课，结合国家重点科研项目经验，帮助学员建立科研级仿真能力。采用线上授课+视频回放形式，为期10天。

原创 【无标题】

《FDTD+超表面多维光场与动态全息新范式》专题课程聚焦前沿光学技术，系统讲解超表面设计与FDTD仿真核心技术。课程采用案例驱动教学模式，涵盖超透镜、涡旋光束、计算全息等热点方向，通过MATLAB+FDTD联合仿真实现跨尺度设计。特色内容包括：GDS加工对接全流程、多软件协同优化、科研绘图与论文技巧等。主讲人具有丰富科研经验，课程注重理论与工程结合，帮助学员掌握从仿真到加工的全链路技能。四天线上课程包含视频回放与答疑服务，适合光学工程领域的研究人员与工程师。

原创 从光谱到结构：AI驱动的分子动力学建模与多尺度材料设计全流程！

AI分子动力学建模课程将于2026年5月20日-6月13日期间举办，采用线上线下结合方式授课。课程聚焦"数据与模型双轮驱动"的新研究范式，系统讲解机器学习在分子动力学中的应用，包括性质预测、力场开发、机制发现等五大科学问题。课程设置8个案例模块，涵盖蛋白质折叠、光谱解析、合金设计等实践内容，通过理论讲解与代码实操相结合的方式，帮助学员掌握从基础理论到前沿应用的完整知识体系。由国内顶尖学府专家授课，课程强调物理约束与数据驱动的融合，培养学员解决复杂科学问题的能力。

原创 从紧束缚到机器学习：二维材料电子结构、转角物理与热输运的数据驱动建模全流程！

《机器学习在二维材料研究中的应用实战课程》将于2026年5-6月线上举行，由国内顶尖学者主讲。课程聚焦二维材料的简化建模与机器学习应用，涵盖紧束缚模型构建、转角结构模拟、激子效应分析及热导率预测等内容。通过Python实战案例，学员将掌握从物理模型到可执行代码的转化能力，以及机器学习辅助材料筛选的完整流程。课程特色在于"物理可解释、代码可运行"的实践导向，帮助学员建立理论计算与数据驱动的交叉研究思维。共4天课程提供视频回放和答疑支持。

原创 数据驱动的合金设计全流程：从前向预测、逆向优化到主动学习的智能闭环！

【摘要】机器学习合金设计专题课程将于2026年5月16-17日、23-24日通过腾讯会议线上举办。课程由国内顶尖学府专家主讲，系统教授数据驱动的合金智能设计方法，涵盖前向预测建模、逆向设计优化、小样本处理等核心内容。通过四天密集实训，学员将掌握人工神经网络、粒子群优化等算法在合金成分-工艺设计中的应用，并学习多模态数据融合技术。课程特别设置镁合金、铜合金等典型案例实践，帮助学员建立从理论到工程落地的全链条能力。全程提供视频回放和答疑服务，助力材料研发人员掌握AI辅助设计的前沿技术。

原创 MATLAB-Python-FDTD协同驱动：超表面拓扑优化、逆向设计与高效仿真全流程！

主要研究方向涉及：计算光学、超表面设计与逆向设计，发表多篇高水平SCI论文，有多年超表面仿真设计与教学经历！课程内容以完整算例为主线，涵盖超透镜、偏振无关多波长多焦点器件、莫尔变焦超表面、涡旋光束、计算全息等多个前沿方向，帮助学员在理解原理的同时，快速掌握不同应用场景下的设计策略与实现技巧。课程内容既服务于硕博研究生与科研人员的论文研究需求，也充分考虑工程师在产品研发中的实际问题，所讲方法具有良好的通用性与可扩展性，可直接迁移至不同类型的超表面与衍射光学器件设计中。

原创 深度学习驱动计算光学成像：从图像增强到逆问题求解！

Nature重磅研究揭示超表面硬件与物理AI融合开创定量相位成像新范式。深度学习计算光学成像专题课程系统讲解光学成像基础、Python环境搭建、神经网络构建及典型应用案例实操，涵盖高分辨成像增强、计算光学逆问题求解、显微成像技术等前沿方向。由光学顶尖高校专家授课，通过论文复现和案例实践，帮助学员掌握深度学习与光学成像交叉研究的核心方法，提升科研创新能力。课程包含完整数据集和代码资源，适合从事计算光学、AI成像相关领域的研究者。

原创 从BIC到拓扑优化：COMSOL在光学超表面中的全流程仿真！

Nature重磅研究开创超表面硬件与物理AI融合新范式！COMSOL光学超表面专题课程系统讲解天线、超表面物理原理及FEM仿真全流程，涵盖周期性结构能带、波导系统、非线性场、天线设计、拓扑超表面等核心内容。课程通过理论+实践方式，使学员掌握从建模到优化的完整设计流程，最终具备独立完成科研级仿真的能力。讲师团队来自985高校，在光场调控、拓扑光学领域发表多篇Nature子刊等高水平论文。

原创 机器学习加速催化剂设计：从经典算法到图神经网络!

本专题系统讲解机器学习在催化材料设计中的应用，涵盖电/热/光催化原理与机器学习算法（线性回归、神经网络、图神经网络等）的融合应用。课程通过Python编程实践，指导学员掌握特征工程、模型训练与性能评估等核心技能，并结合DFT计算与实验数据，实现催化剂性能预测与反应机理解析。重点案例包括：符号回归揭示金属-载体相互作用机制、集成学习筛选ORR/OER双功能催化剂、图神经网络预测晶体性能等，旨在培养学员运用AI技术加速催化材料研发的能力。

原创 固态电池材料计算与智能设计：DFT、机器学习与高通量筛选！

摘要：本课程系统介绍机器学习与计算模拟方法在固态电池研发中的应用。内容涵盖固态电池基础知识、DFT/MD计算实践、Python数据处理、特征工程构建、机器学习模型开发（传统算法与深度学习）、材料数据库应用及神经网络势函数等多尺度模拟技术。通过5天实战训练，学员将掌握利用机器学习加速固态电池材料筛选与性能预测的全流程方法，包括界面稳定性评估、离子电导率预测等关键环节。课程由资深专家授课，结合大量实操案例，助力科研人员突破固态电池研发瓶颈。