近年来，生成式人工智能（包括大语言模型、分子生成模型等）在聚合物及复合材料领域掀起革命性浪潮，其依托数据驱动与机理协同，从海量数据中挖掘构效关系、通过分子结构表示（如 SMILES、BigSMILES）与生成模型（VAE、GAN、Diffusion 等）实现分子逆向设计的核心能力，正颠覆依赖实验试错或量子计算的传统研发模式 —— 突破周期长、成本高、多目标优化难等瓶颈，快速预测材料性能、生成新型结构，加速从实验室到产业化进程；2020 年以来相关研究论文年增长率超 300%，且被能源部、欧盟材料基因组计划等列为战略技术方向，与聚合物智能创制全流程（从数据到模型、从预测到设计）的实践需求高度契合。
适合材料科学、电力工业、航空航天科学与工程、有机化工、无机化工、建筑科学与工程、自动化技术、工业通用技术、汽车工业、金属学与金属工艺、机械工业、船舶工业等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
特色
前沿技术与理论结合：课程涵盖了生成式 AI 的基本概念、深度学习技术、大语言模型等前沿内容，同时结合了高分子材料的特性，使学员能够系统地了解和掌握最新的技术动态及其在材料领域的应用。
丰富的案例实践：通过多个案例实践教学环节，如利用机器学习预测聚合物粘度、构建耐热高分子筛选工作流、大语言模型实现聚合物性质预测等，让学员在实际操作中加深对理论知识的理解，提升解决实际问题的能力。
多学科 知识融合：课程内容涉及深度学习、高分子材料科学、材料基因组工程等多个学科领域，学员能够在学习过程中拓宽知识面，培养跨学科思维，更好地应对复杂的研发任务。
系统性与针对性：课程从生成式 AI 的基础知识讲起，逐步深入到大语言模型、材料基因组工程等核心内容，使学员能够系统地构建知识体系，同时掌握与高分子材料研发相关的具体技术和方法。
工具与平台应用：介绍 Tensorflow、Pytorch、HuggingFace、Langchain、Gradio 等先进的深度学习模块和工具，使学员能够熟练使用这些工具进行高分子材料的研发工作，提升工作效率。
人工智能赋能聚合物及复合材料模型应用与实践
一、 基础概述与核心方法论
-
AI 在聚合物及复合材料领域的理论基础和应用概述
-
传统机器学习，深度学习和生成式 AI 方法概述
-
AI for 聚合物（及复合材料）研究的核心问题（聚合物多层次结构表示、性能预测、结构设计等）
-
聚合物研究的 AI 方法论框架
4.1 数据驱动与机理驱动的协同（第一性原理到领域知识）
4.2 聚合物智能创制研究全流程：从数据到模型，从预测到设计
二、 数据与特征工程
- 学术数据资源与获取
1.1 常见数据库：Material Project、Polymer Genome、Polylnfo 等
1.2 聚合物公开 benchmark 和 Kaggle 数据集
- 数据预处理与质量优化
2.1 均聚物数据集清洗、去噪、标准化 (实践)
- 2 使用清洗后的数据进行可视化：小提琴图、PCA、T-SNE、UMAP等 (实践)
2.3 聚合物复合材料数据收集与预处理 (实践)
- 特征工程
3.1 结构表示与编码（如分子指纹、链结构特征、3D 结构特征、神经网络指纹）
3.2 特征选择方法（过滤法、包装法、递归消除法等）(实践)
3.3 物理机理指导的特征选取（聚合物链结构带来的空间位阻、氢键描述符等）
3.4 均聚物性能研究（如耐热性、力学性能、介电性能、透气性/阻燃性等）(实践)
3.5 数据集规模与质量对模型的影响(Scalling laws in polymers) (实践)
三、 模型体系（从基础到前沿）
- 传统机器学习模型及应用
1.1 基础模型：SVR、决策树、随机森林、感知机、XGBoost、LGBM、AdaBoost 等，模型评估策略：MAE、RMSE、R²、Accuracy、F1等
1.2 应用场景：复合材料力学性能预测（如应力应变曲线）(实践)
- 深度学习模型
2.1 深度学习模型训练与部署：Tensorflow/PyTorch、Gradio 等 (实践)
2.2 深度神经网络（DNN）与参数更新、卷积神经网络（CNN）、图神经网络（GNN）在聚合物中的应用 (实践)
3.3 （聚合物）材料基因工程中的高通量计算与模型概述及入门（MatterSim、DeepMD、RadonPy、SMiPoly 等)
- 生成式 AI 与大语言模型
4.1 大模型训练与部署：Langchain、HuggingFace 等 (实践)
4.2 （聚合物）分子生成模型：VAE、GAN、Diffusion 等 (实践)
4.3 大语言模型（LLM）：GPT、BERT、T5、DeepSeek 等架构与应用 (实践)
四、 性能预测与材料设计
- 正向性能预测
1.1 机器学习预测聚氨酯复合材料应力应变曲线 (实践)
1.2 机器学习预测 PI 复材力学性能 (实践)
1.3 可解释性分析：特征重要性分析、SHAP 值的应用 (实践)
- 逆向设计与智能筛选
2.1 生成式 AI 驱动的全空间聚合物材料生成 (实践)
2.2 高通量筛选工作流：从结构生成到性质预测的聚合物批量筛选 (实践)
五、 前沿 I AI 方法在聚合物领域实践案例与科研指导
-
聚合物表示学习性能探索（描述符、分子图、SMILES、BigSMILES、SELFIES 等）(实践)
-
聚合物领域知识出发的对比学习，主动学习和强化学习框架实现 (实践)
-
聚合物生成式模型与大语言模型实践（如 polyBERT、Transpolymer预测聚合物性能）(实践)
)
