Science见证奇迹！青年博士简单操作打破催化研究百年僵局，迎来历史性时刻！

专题一

(精品录播)

智能计算模拟：第一性原理+分子动力学+机器学习

（详情内容点击上方名称查看）

即报即学

专题二

(精品录播)

LAMMPS分子动力学模拟技术与应用

（详情内容点击上方名称查看）

即报即学

专题三

(精品录播)

ReaxFF反应力场计算、开发技术与应用

（详情内容点击上方名称查看）

即报即学

专题四

(精品录播)

Gaussian量子化学计算技术与应用

（详情内容点击上方名称查看）

即报即学

专题五

(精品录播)

第一性原理计算方法及应用

（详情内容点击上方名称查看）

即报即学

专题六

(精品录播)

机器学习材料性能预测与材料基因工程应用实战

（详情内容点击上方名称查看）

即报即学

智能计算模拟：第一性原理+分子动力学+机器学习

第一部分

DFT+MD+ML 基础

1.  理论内容

1.1. 计算模拟发展：MD, MC, DFT三大部分

1.2. 人工智能时代背景：大数据与大模型对模拟计算的影响

1.3. 人工智能加入给传统模拟计算带来的哪些变化？

①　模型建构的新趋势

②　力场开发中的机器学习应用

③　AI在模拟过程优化与加速中的作用

④　数据后处理技术的发展与智能化

1.4. 统计物理基本理论（系综、边界条件、温度的定义、控温与热浴等）

2.   实例操作

2.1. 软件环境搭建与安装：conda配置虚拟环境，安装GPUMD、LAMMPS、ASE、   Phono3PY、PyNEP、 OVITO、VMD、ATOMSK等软件

2.2. 力场参数生成与MD模拟操作：综合使用MS软件+MSI2LMP快速生成任意有机分子的PCFF/CVFF力场参数文件，并使用LAMMPS软件执行分子动力学模拟

2.3. MS软件的基本介绍与LAMMPS结合使用

a. MSI2LMP与PCFF/CVFF力场的简介

b. LAMMPS入门与经验势使用

c. 简单的分子动力学计算

2.4. 高精度量化数据集获取与机器学习融入MD模拟

a. VASP计算静态与AIMD的参数设置

b. 简单的力场计算实践、LAMMPS的基本使用（机器学习势）

c. LAMMPS与机器学习势函数结合的MD模拟

d. 机器学习模型的加载和使用要点

2.5. 数据后处理技术与可视化分析

a. 使用OVITOs的相关代码分析处理数据，包括AIMD和机器学习分子模拟的RDF, MSD, 扩散系数以及键角和二面角的分布情况

b. OVITO软件的基本使用

c. 键角和二面角分布的统计与绘图实现，以及python画图和origin画图的双示例

第二部分

机器学习力场学习与实践

1.  理论内容

1.1. 机器学习力场的重要工作

1.2. 机器学习、神经网络核心原理和训练过程

1.3. 机器学习力场构建流程、应用与优势

1.4. 图神经网络和图卷积网络

a. GNN/GCN概述、SchNet模型特点与实现

b. 消息传递神经网络框架

c. GAP、MTP、ACE、DP、NEP模型深入探讨与对比

1.5. DeePMD在国内的研究与应用现状

1.6. 高性能机器学习力场模型介绍

1.7.  NEP+GPUMD系列研究解读

2. 实例操作（NEP+GPUMD集成实战：全流程模型构建与模拟）

2.1. 数据格式转换与数据集构建：使用公开代码工具转化数据格式，并生成训练，验证和测试数据集

2.2. NEP模型超参数设定与理解

2.3. NEP模型全流程操作：安装、准备数据集、训练、验证和测试

2.4. 使用LAMMPS和GPUMD模型执行高精度、高效率、大规模分子动力学模拟

2.5. 机器学习力场驱动的模拟数据后处理与分析

第三部分

机器学习力场等变模型系列及领域热点

1.  理论内容

1.1. MACE模型：融合ACE、消息传递与等变性的创新

1.2. 方法的完备性，效率和系列演进

1.3. 适用于大规模GPU并行框架的NEP模型

1.4. 主流机器学习力场模型的详析与对比

2. 实例操作：（以石墨烯等二维材料为例，深度探究MACE及其他ML力场模型的实践应用）

2.1. NequIP或MACE模型超参数设置与实际应用

2.2. 结合LAMMPS或ASE使用MACE模型构建势函数

2.3. MACE与DeePMD、NEP的精度、数据效率对比

2.4. 计算RDF、MSD、扩散系数等物性并重现文献结果

2.5. 构建及对比DP、NEP、ACE等多种ML力场模型

第四部分

数据收集方法与应用

1.   理论部分

1.1. 公开数据集资源

1.2. 数据增强技术

a. 主动学习技术

b. AIMD+微扰等数据集扩充手段

c. 数据集数据集精简与筛选策略

d. 模型微调技术

2. 实例操作：(主动学习与模型微调在计算模拟中的实践--液态水、SiO2、MOF的完全演示案例)

2.1. ASE环境下主动学习实现与代码解析

2.2. 多GPU并行或单GPU多任务并行与资源优化

2.3. 自主设计主动学习方案

2.4. 预训练模型微调实践

2.5. 微调与从头训练效果对比

2.6. 不同模型（如金属、团簇、孪晶结构、多晶石墨烯）的构建实例

S.   其他备选内容

S1. 其他机器学习内容拓展应用，DNN、DT、XGBoost在计算模拟领域的应用，以多晶石墨烯为例

S2. PFC相场方法建立多晶石墨烯、石墨烯晶界描述符的选取、深度神经网络的训练（与其他机器学习方法对比）、预测

S3. VMD与OVITO等输出高质量的分子结构视觉化效果

LAMMPS分子动力学模拟技术与应用

第一天 上午

LAMMPS基础入门

1  LAMMPS的基础入门—— 初识LAMMPS是什么？能干什么？怎么用？

1.1 LAMMPS在win10和ubuntu系统的安装及使用

1.2 in文件结构格式

1.3 in文件基本语法：结合实例，讲解in文件常用命令

1.4 data文件格式

1.5 LAMMPS常见错误解决途径

实例操作：运行并理解跟自己科研方向相近的例子。

第一天 下午

LAMMPS进阶

（石墨烯、金属材料模拟专题）

2  LAMMPS进阶实例操作，理解模拟对象的物理意义—— 从简单例子走向文献模型，举一反三提高学习效率

实例操作：

2.1 把剪切模型转换成拉伸模型

2.2 lattice命令石墨烯、金属、合金、高熵合金不同形状模型

2.3 石墨烯(不同力场)、金属、合金、高熵合金等拉伸剪切力学性质模拟

第二天 上午

LAMMPS进阶

（纳米流体模拟专题）

3  LAMMPS进阶实例操作，理解模拟对象的物理意义—— 从简单例子走向文献模型，举一反三提高学习效率

实例操作：

3.1 把二维couette和poiseuille流动扩展成三维模型

3.2 建立三维管道内的poiseuille流动

3.3 进行石墨烯通道内的Couette流动和Poiseuille流动模拟

3.4 调节通道表面电荷性质、亲疏水性质，分析其对流动性质的影响

3.5 学习使用packmol，建立复杂混合溶液体系模型

3.6 模拟KCl等盐溶液的纳米流体流动

第二天 下午

LAMMPS进阶

（热传导模拟专题）

4  LAMMPS进阶实例操作，理解模拟对象的物理意义—— 从简单例子走向文献模型，举一反三提高学习效率

实例操作：

4.1 理解导热系数意义

4.2 掌握lammps计算导热系数的几种方法

4.3 碳纳米管等导热系数的模拟计算

第三天 上午

LAMMPS进阶

（多成分体系模拟专题）

5  LAMMPS进阶实例操作，理解模拟对象的物理意义—— 从简单例子走向文献模型，举一反三提高学习效率

实例操作：

5.1 金属、合金、高熵合金的摩擦模拟

5.2 材料切削模拟

5.3 夹层结构(graphene/C60/graphene)在不同粗糙度条件下的摩擦模拟

第三天 下午

LAMMPS进阶

（金属、半导体材料的辐照模拟）

6 离子辐照对石墨烯、金属、碳化硅的离位损伤模拟

6.1 建立模拟体系的初始模型

6.2 PKA动能、位移随时间变化

6.3 点缺陷结构可视化

6.4 点缺陷的数量随时间变化

6.5 点缺陷的空间分布及演化过程

备选内容，根据课堂进度和学员情况

VMD、OVITO、msi2lmp等有机小分子建模，模型合并及模拟轨迹文件处理等

第四天 上午

LAMMPS高级

（自建分子力场参数文件和金属有机框架材料晶体模型）

7 LAMMPS分子力场文件创建及MOFs材料建模

7.1 介绍固体材料单晶包试验数据结构，掌握基本的材料几何特征

7.2 利用MS软件构建MOFs材料单晶包模型和H2和CO2分子模型

7.3 讲解分子作用势能函数，学习编写MS软件中的力场参数文件（off文件）

7.4 简单介绍巨正则系综Monte Carlo方法

7.5 利用Sorption模块将H2和CO2分子插入到MOFs材料

7.6 编写LAMMPS力场文件（frc文件），并通过lammps程序生成data文件

7.7 运行能量最小化及体系的预松弛

7.8 模拟步骤：包括能量最小化NVT平衡，对研究目标的性质进行长时间轨迹平衡-输出研究所关心的性质。

实例操作：金属有机框架（MOFs）储氢和碳捕集模拟，计算密度分布，分子的MSD等性质。

第四天 下午

LAMMPS高级

（分子筛纳米膜分离H2/CO2混合气体模拟）

ReaxFF反应力场计算开发技术与应用

第一天 上午

ReaxFF基础理论

1.     ReaxFF反应力场概述

1.1. ReaxFF反应力场的发展历程和基础

1.2. ReaxFF反应力场参数分枝与详解

1.3. ReaxFF反应力场的应用领域

第一天 下午

ReaxFF基础入门

第二天 上午

ReaxFF计算软件

1.    分子建模，可视与计算软件

1.1. 建模软件gview, material   studio

1.2. 可视软件molden, VMD, OVITO

1.3. ReaxFF计算软件 standalone   ReaxFF, LAMMPS

1.4. ReaxFF 特殊功能介绍：改变温度体积，产生特定比例混合物，设置电荷，限制优化和扫描，添加删除分子，结果查看和分析等

第二天 下午

ReaxFF计算软件

第三天 上午

ReaxFF进阶实例

第三天 下午

ReaxFF进阶实例

第四天 上午

ReaxFF高级实例

第四天 下午

ReaxFF高级实例

交流互动环节

针对学员的问题一一作答

Gaussian量子化学计算技术与应用

一、理论计算化学理论及相关程序入门

1、理论计算化学简介

1.1   理论计算化学概述

1.2   HF理论及后HF方法(高精度量化方法)

1.3   密度泛函理论和方法

1.4   不同理论计算方法的优缺点及初步选择

1.5   基组及如何初步选择基组

2、Gaussian安装及GaussView安装及基本操作

2.1   Gaussian安装及设置（Win版和Linux版）

2.2   GaussView安装及设置

2.3   GaussView使用及结构构建

3、Linux、Vi编辑器等及Gaussian基本介绍

3.1   学习Linux基本命令及Vi编辑器

3.2   详细认识输入文件和输出文件（Win和Linux）

3.3   构建Gaussian输入文件并提交任务

二、Gaussian专题操作及计算实例

三、Gaussian进阶操作及计算实例

四、Gaussian计算专题与实践应用

第一性原理计算方法及应用

模拟研究体系

教学目标：了解计算模拟前沿，确立自己研究体系是否可行。确定计算模拟难度

1、二维气敏材料

2、光催化材料

3、单原子催化

4、SERS基底材料

5、二维异质结材料

6、钙钛矿材料

7、电池（电极）材料

8、含能材料

9、拓扑材料（自旋轨道耦合SOC）

软件编译安装、加速

教学目标：掌握软件安装及加速策略

1、硬件选择及编译安装

2、提交作业脚本编写

3、前处理和后处理辅助程序安装

4、熟悉加速方案，节约计算时间

密度泛函理论

教学目标：熟悉理论背景及软件，工作更高效

1、从薛定谔方程到密度泛函理论

2、平面波赝势方法

3、量化软件及辅助软件

4、能带结构理论

Linux操作系统基础

教学目标：熟悉Linux常用命令及批处理脚本，工作更高效

1、Xshell远程登陆服务器的操作技术

2、Linux常用命令(包含bash编程基础)

3、Linux下常用编译器安装方法

4、Linux常用命令(文本查找，批量提交任务，grep/sed/awk等)

输入、输出文件

教学目标：能够独立提交计算任务

1、软件输入文件介绍

2、软件输出文件介绍（OUTCAR等）

3、前处理和后处理辅助软件介绍

4、提交一个计算任务

构建材料结构模型

教学目标：构建符合自己研究体系的计算模型

1、利用数据库构建三维结构、二维结构

2、材料的掺杂、空位、缺陷

3、官能团修饰调控方法

4、应力应变调控方法

构建纳米管、异质结等复杂模型

教学目标：进一步掌握复杂材料模型构建

1、纳米管搭建技巧

2、异质结模型搭建技巧：晶格匹配

3、二维材料万能构建方法

4、TOC图的绘制

结构预测方法

教学目标：了解通过结构搜索或化学知识，构建新材料结构

1、知识驱动型新材料结构构建

2、结构搜索软件（数据驱动）新材料构建新结构

准确设置计算参数

教学目标：熟悉科学设置各项参数

1、收敛性测试的目的和意义

2、ENCUT收敛性测试

3、K点收敛性测试

4、其他收敛性测试（sigma等）

设置磁性、LDA+U、HSE06、范德华力、偶极矫正等参数

教学目标：熟悉设置各项参数

1、INCAR参数的设置（ENCUT, ISIF, EDIFF, EDIFFG等）

2、LDA+U设置方法

3、两种范德华力设置方法

4、HSE06设置方法

5、K点的设置方案

6、MAGMOM磁性参数设置

7、偶极矫正参数设置

8、赝势的选择及快速生成方法

准确优化结构

教学目标：掌握结构优化策略

1、结构优化的核心与要义

2、晶体结构的优化设置：通过实例金刚石来了解参数设置

3、二维材料g-C3N4晶体结构优化

4、异质结材料模型结构优化

5、一维材料优化

能量计算分析

教学目标：掌握输出能量的本质

1、赝势方法

2、形成能

3、内聚能

4、剥离能

5、位错能

6、吸附能

化学键分析

教学目标：理解吸附本质，掌握电荷计算相关方法

1、键长、键角的启示

2、ELF计算与结果处理

3、COHP计算与结果处理

4、共价键、离子键的分析

电荷分析

教学目标：掌握电荷分析方法

1、电荷差分：电荷转移分析

2、Bader电荷：探讨元素化合价

3、自旋电荷密度

能带结构计算分析

教学目标：熟悉电子结构计算

1、 能带结构有什么用？

2、 倒格矢与倒空间

3、 能带计算与分析

4、 前线轨道计算与分析

5、 投影能带计算与分析

6、 电子有效质量计算与分析

7、 实例1：钙钛矿能带结构

8、 实例2：黑磷稀能带结构

态密度计算分析

教学目标：掌握态密度计算和分析方法

1、为什么要计算态密度？态密度与能带的关系

2、态密度计算与分析

3、投影态密度PDOS计算与分析

4、深能级与能级对齐

5、实例1：钙钛矿的态密度

6、实例2：黑磷稀的态密度

电子结构计算分析

教学目标：更深入了解电子结构计算及分析

1、HSE06矫正电子结构

2、功函数计算

3、带边能级：异质结能带对齐

4、局域态密度LDOS

5、实例3：二维材料之三维能带—绘制石墨烯狄拉克锥

光谱类计算

教学目标：熟悉吸收光谱、反射光谱计算，了解拉曼、红外光谱等计算方法与数据处理

1、分子动力学参数设置

2、吸收光谱

3、反射光谱

4、拉曼光谱

5、红外光谱

分子动力学模拟

教学目标：掌握分子动力学与声子谱模拟方法

1、认识系综

2、基于能量波动的结构稳定性评估

3、径向分布函数

4、扩散系数

声子谱模拟

教学目标：掌握声子谱模拟及分析方法

1、声子谱计算参数设置

2、声学支与光学支

3、虚频产生机制及消除方法

力学性能计算

教学目标：掌握材料拉伸应变强度，杨氏模量、硬度等计算方法

1、计算参数设置

2、拉伸强度

3、弹性模量、杨氏模量计算

4、泊松比

5、三维和二维材料的实例演练

载流子迁移率

教学目标：掌握材料的电子和空穴的载流子迁移率

1、形变势理论

2、形变势常数计算

3、载流子迁移率计算

4、实例1：黑磷烯载流子迁移率的计算

机器学习材料性能预测与材料基因工程应用实战

机器学习

导论

学习目标：对机器学习基本概念进行介绍，让大家对机器学习基本概念有大致了解。明确机器学习方法的适用性，优势，以及局限性等

Ø    什么是机器学习

Ø    机器学习的应用实例

Ø    机器学习在材料领域的应用

python语言

基础

学习目标：机器学习主流实现是python语言。学习机器学习之前，有针对性的对python进行系统的学习，以方便将来开展机器学习的学习

Ø    python安装与开发环境的搭建

Ø    基本数据类型、组合数据类型

Ø    函数、列表 、元组、字典、集合

Ø    控制结构、循环结构

Ø    Numpy模块——矩阵的科学计算

Ø    Matplotlib模块——数据处理与绘图

深度学习

神经网络

学习目标：从零开始手动实现一个神经网络，在这一过程中对所涉及的原理进行系统讲解及实践，让大家能够更深刻的理解算法背后的原理以及实现方法，之后有利于对其他机器学习更全面快速掌握

Ø    logistic 回归与损失函数

Ø    梯度下降法与导数

Ø    计算图的导数计算

Ø    logistic 回归中的梯度下降法

Ø    向量化 logistic 回归的梯度输出

Ø    神经网络的梯度下降法

Ø    深层网络中的前向传播

Ø    深度学习框架——Pytorch的使用

◇ 案例实践教学一：神经网络在催化中的应用——CO2还原

经典机器学习模型及应用

学习目标：对在材料领域中最常使用的几种机器学习模型进行介绍，总结它们的优缺点及适用范围，通过动手实践快速掌握几种方法

Ø    线性模型（线性回归、梯度下降、正则化、回归的评价指标）

Ø    决策树（决策树原理、ID3算法、C4.5算法、CART算法）

Ø    支持向量机（线性支持向量机、可分支持向量机、不可分支持向量机）

Ø    集成学习（AdaBoost和GBDT算法、XGBoost算法、LightGBM算法）

Ø    模型选择与性能优化（数据清洗、特征工程、数据建模）

Ø    Scikit-learn机器学习库的使用

◇ 案例实践教学二：利用集成学习方法预测杂化钙钛矿的带隙

◇ 案例实践教学三：利用集成学习实现有机太阳能电池材料快速筛选

材料基因工程

入门与实战

学习背景：材料基因工程是当下流行的材料研究新范式，相较于传统试错方法，材料基因以大数据为基础，利用人工智能方法从中提取出关键的构效关系，摆脱了对理化直觉的强依赖及高昂的筛选成本，可以实现高效的高通量材料筛选。

学习目标：从数据库出发，对材料领域常见的数据库进行介绍，之后学习如何利用ASE，pymatgen等软件包批量构建及处理数据集，以及对材料进行特征选择。讲解常见的材料结构表示方法及编码，以及机器学习模型的评估与利用

Ø    材料基因组概述、材料基因组的基本方法

Ø    常见材料数据库介绍

Ø    Material Project数据库、Pymatgen

Ø    OQMD数据库、AFLOW数据库数据获取与使用

Ø    COMPUTATIONAL MATERIALS   REPOSITORY数据库与ASE

Ø    自定义材料数据集的构建

Ø    材料化学的特征工程

Ø    特征选择（过滤特征、包装到其他评估或集成到训练）

Ø    基于sklearn的python实现

◇ 案例实践教学四：（包含以下内容）

◇ 团簇数据库中平均形成能最低的结构数据库的构建

◇ 利用MP数据库构建同素异形体结构的mongodb数据库

◇ 利用Pymatgen对原子性质进行分析

◇ 利用ASE+Dscribe生成材料指纹和势函数

◇ 描述符的向量化生成与特征的保存/读取，特征预处理

◇ 模型性能评估（分类性能、回归性能评估、统计交叉验证）和优化

◇ （拓展）学习计算材料学领域与特征选择高级相关算法：SISSO

图神经网络

入门及实践

学习目标：图神经网络是在科学领域最为火热的研究领域。由于化学结构与图论有着天然的适配性，相较于其他模型，图神经网络在材料化学领域更为擅长。在这一部分我们会对图神经网络进行系统的讲解，学习常见的图神经网络架构，实践图神经网络在部分材料中的应用

Ø    图论简单入门、图神经网络概念介绍

Ø    化学与材料领域经典的图神经网络架构——CGCNN与Schnet

Ø    图神经网络在材料中应用的实践

Ø    自定义图的实现：第三方依赖 -   PyG  图卷积层：GCNConv

◇ 案例实践教学五：利用图神经网络CGCNN预测无机材料的性能

◇ 案例实践教学六：利用Schnet实现对分子理化性质的预测

机器学习+Science

学习目标：机器学习领域前沿内容，让大家了解最新的材料科学与机器学习领域的研究动态，同时介绍几种更为先进的机器学习算法

Ø    强化学习在材料优化问题中的应用

Ø    主动学习框架的在科学问题中的实现

Ø    生成模型在材料设计中的应用与挑战

Ø    Transformer应用——以AlphaFold2为例

应用实例

包含以下内容：

◇ 案例实践教学七：多种机器学习模型对量子点发光材料色温的预测

◇ 案例实践教学八：利用机器学习方法预测半导体材料物理性质

◇ 案例实践教学九：利用多种机器学习方法对二维材料的性质预测

智能计算模拟：第一性原理+分子动力学+机器学习

1999

LAMMPS分子动力学模拟技术与应用

1999

ReaxFF反应力场计算、开发技术与应用

2399

Gaussian量子化学计算技术与应用

1999

第一性原理计算方法及应用

1999

机器学习材料性能预测与材料基因工程应用实战

1299