金属材料在航空航天、能源装备、交通运输、生物医疗等关键领域扮演着重要角色。传统金属材料研发依赖“试错法”，周期长、成本高，难以满足高性能、多功能材料的快速设计需求。人工智能与数据驱动方法的兴起，为金属材料研究带来范式变革，通过整合材料数据库、机器学习、主动学习与物理信息模型，可实现材料成分、工艺、结构、性能之间的智能映射与逆向设计，大幅提升材料研发效率与创新能力。

由国内某985高校副教授带领研究小组讲授。迄今发表 高水平论文70余篇，主要包括Advanced Materials、Advanced Science、PNAS等著名期刊。担任Nature Communications, Materials Today等期刊审稿人。研究聚焦人工智能赋能功能材料和结构材料设计。

4.

教学特色

1、体系化知识结构：课程覆盖从Python基础、描述符工程、经典与集成机器学习，到主动学习、灰箱模型与可解释AI的全链条内容。

2、真实材料体系案例驱动：以高温合金、钛合金等典型金属材料为载体，贯穿数据获取、清洗、建模、优化全流程。

3、理论结合实战：每模块均设置典型案例实践，强调动手操作与代码实现，提升解决实际材料设计问题的能力。

4、前沿技术融合：课程内容兼顾学术研究与工业应用，提供可复现的论文案例与工程优化流程，助力论文发表与成果转化。

5、科研与工程应用结合：提供经典文献实例复现、超参数调优实战、新材料设计策略，助力成果转化与论文发表。

第一部分

Python与材料科学数据分析基础

1. 理论内容：

1.1. 数据驱动材料设计的范式革命与核心流程

1.2. Python材料数据科学生态系统

1.3. 材料数据库与数据标准化概述

2. 实践内容：从环境搭建到数据分析

◇ Case 1：Python科学计算环境搭建与核心库（NumPy, Pandas等）

◇ Case 2：准备或数据库下载特定材料数据

 □ 高温合金体系，获取其原子结构、成分、相溶解温度等基本信息

 □ 钛合金体系，重点关注蠕变性能和拉伸力学性能

 □ 下载/准备钛合金或高温合金的数据，并将结果保存为DataFrame

◇ Case 3：数据清洗、探索与可视化分析

第二部分

描述符工程与特征优化

1. 理论内容：

1.1. 材料描述符的核心概念：如何数字化表征材料

1.2. 成分描述符、工艺描述符、晶体结构描述符与电子结构描述符详解

1.3. 特征选择、降维与特征重要性分析方法及原理

2. 实践内容：从生成描述符到优化特征空间

◇ Case 1：使用Matminer批量生成多元化描述符

 □ 为钛合金体系生成描述符

 □ 为高温合金体系生成描述符

 □ 获得包含原始材料信息和数十至上百个描述符列的DataFrame

◇ Case 2：无监督学习与数据可视化

□ 数据预处理： 对生成的大量描述符进行标准化，确保处于同一量纲

□ 主成分分析：对钛合金/高温合金体系描述符数据进行PCA分析

 □ t-SNE可视化：使用t-SNE对钛合金体系/高温合金体系进行可视化

◇ Case 3：特征选择与优化

 □ 过滤法：计算描述符与目标性能的相关系数

 □ 随机森林或其他回归模型进行训练。 以“预测钛合金的蠕变断裂寿命或其他性能”为例，分析模型哪些描述符最为重要。

 □ 递归特征消除：使用RFECV工具，自动确定最佳特征数量。

第三部分

经典与集成机器学习算法

1. 理论内容：

1.1. 监督学习的基本框架与材料数据的建模流程

1.2. 经典机器学习算法的核心思想与比较

1.3. 集成学习方法及其在复杂材料体系中的优势

1.4. 模型评估、误差分析与模型选择策略

2. 实践内容——从基础建模到集成算法应用

◇ Case 1：基于经典算法的材料性能预测入门实践

 □ 使用给定合金属性数据集（如晶体结构/力学性能 - 元素特征数据）建立初始化线性回归、支持向量机回归、决策树回归/分类器等模型

 □ 完成训练–测试流程，可视化预测误差

◇ Case 2：超参数调优实战：使用交叉验证和自动化搜索工具来寻找模型的最佳超参数组合

◇ Case 3：集成模型在复杂材料任务中的应用与解释

 □ 针对合金力学性能等，分别训练基于随机森林、GBDT等性能预测模型，调整主要超参数，比较不同集成模型的预测精度与训练效率

 □ 模型解释性：使用SHAP库，对合金力学性能预测模型进行分析

第四部分

主动学习与多目标优化

1. 理论内容：

1.1. 材料研发的瓶颈与主动学习的核心

1.2. 主动学习优化框架：建模与决策

1.3. 单目标优化与多目标优化介绍

2. 实践内容：

◇ Case 1：在一个简单一维函数上实现主动学习循环，理解其工作原理

◇ Case 2：综合案例—钛合金增材制造工艺参数优化

 □ 问题定义

 □ 构建初始代理模型

 □ 设计主动学习循环

 □ 执行循环，绘制每一轮中发现的最佳性能的进化图

 □ 循环结束后，分析最终推荐出的增材制造工艺参数

论文实例复现与解读：

1.Active learning framework to optimize process   parameters for additive-manufactured Ti-6Al-4V with high    strength and ductility. Nature   Communication, 2025: 16: 931.

第五部分

“灰箱”模型与可解释AI

1.  理论内容：

1.1. “灰箱”模型的核心思想与优势

1.2. 物理信息神经网络核心原理与应用

1.3. 符号回归

1.4. 模型可解释性技术（全局与局部解释、SHAP 理论）

2. 实践内容——构建与解读下一代AI模型（结合相关论文）

◇ Case 1：物理约束神经网络实战

◇ Case 2：符号回归发现新材料规律

 □ 输入系统或材料相关的多维数据，运行符号回归寻找关键描述符

 □ 对发现的公式进行合理性评估，判断其是否具有实际解释意义

 □ 运用SHAP工具解读一个高性能集成学习模型，获得材料设计指南

 □ 全局解释：计算并绘制SHAP特征重要性条形图，识别出影响合金性能的最关键描述符，绘制SHAP摘要图，观察每个描述符与目标性能的单调性或非线性关系

 □ 局部解释：选择一个模型预测为超高力学性能的特定合金成分，生成该样本的SHAP力力图，直观展示描述符（特征）