机器学习加速钙钛矿设计：性能预测、无铅筛选与界面钝化！https://mp.weixin.qq.com/s/g5P4pmTGHfrLfXAWym3b5Q点此链接查看详情！

机器学习钙钛矿设计

学习目标：

1. 使学员掌握机器学习的基础理论，包括监督学习（回归、分类）、无监督学习（聚类、降维）、集成学习（随机森林、梯度提升树等）及深度学习（图神经网络）的原理与在钙钛矿材料研究中应用。

2. 培养学员运用机器学习解决钙钛矿领域实际问题的能力，提升学员的实操能力，包括材料性能预测、无铅钙钛矿识别、界面钝化材料筛选等，掌握数据清洗、特征提取、模型训练与评估的全流程，能独立处理钙钛矿数据集（如缺失值、异常值处理，特征标准化与降维），模型训练，型评估指标（MSE、MAE、准确率、ROC-AUC等）及交叉验证方法。

3. 使学员了解深度学习与图神经网络（GNN）基础，包括多层感知器、GCN等架构，能构建并优化适用于钙钛矿性质预测的GNN模型，对比常规机器学习与GNN在材料研究中的优势与适用场景。

4. 提升学员跨材料学与数据科学的交叉研究能力，使其能运用课程所学加速钙钛矿太阳能电池的研发与性能优化，具备独立设计相关研究课题并产出高水平成果的潜力，助力开展创新性研究、发表SCI论文。

5. 帮助学员紧跟钙钛矿与人工智能交叉领域的国际最新研究动态，为钙钛矿太阳能电池的高效研发与性能优化提供支持，为在钙钛矿领域的学术研究或产业应用中建立独特优势，开展创新性研究。

讲师介绍：

机器学习钙钛矿设计讲师：李老师来自国内高校，在机器学习交叉领域拥有深厚研究积累，长期致力于运用机器学习技术解决钙钛矿太阳能电池的性能预测、材料筛选等关键问题，在国际权威期刊发表15篇多SCI检索论文。授课风格注重理论与实操结合，善于将复杂的算法原理和机器学习知识转化为易懂的讲解，应用于钙钛矿领域实例，深受广大学员的信赖与好评。

第一天上午

机器学习与钙钛矿绪论

监督学习、非监督学习、半监督学习的区别和应用场景

机器学习算法的分类和特点以及在钙钛矿中的应用

机器学习模型理论讲解，监督学习（回归与分类），线性回归模型，逻辑回归模型，K近邻模型，支持向量机模型，决策树模型，神经网络模型

实操：

安装Python和必要的机器学习库

机器学习工具，常用的机器学习库Scikit-Learn等实操

机器学习指导策略开发高效室内钙钛矿太阳能电池

钙钛矿数据集处理：数据整合，Python清洗数据，处理缺失值（如用均值填充钙钛矿缺失特征）、异常值（剔除超常规范围的错误数据），构建标准化数据集

钙钛矿特征提取与分析：特征提取，特征初步分析，分析特征与目标性能，筛选关键特征

模型训练与调优，数据划分、模型训练

性能预测，模型评估，回归模型等评价指标与调用方法（均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）等）

掌握“数据-特征-模型-预测”全流程，能用机器学习解决钙钛矿材料性能预测问题，输出可复用的代码模板与结果分析。

以上实操内容结合钙钛矿领域的例子和数据

第一天：下午

集成学习讲解：

Bagging (如随机森林 Random Forest), Boosting (如AdaBoost, Gradient Boosting, XGBoost, LightGBM)

随机森林（Random Forest）原理与应用

梯度提升树（Gradient Boosting）原理与应用

实操：

通过机器学习识别用于太阳能电池的无铅钙钛矿

钙钛矿电池特征处理：标准化，区间缩放法，归一化，定量特征二值化，OneHot独热编码等

钙钛矿特征降维：特征选择（相关系数法，卡方检验，递归消除特征法，基于模型的特征选择法），线性降维（主成分分析法PCA处理，线性判别法）

分类模型验证指标（准确率，查准率和查全率，F得分，分类报告，混淆矩阵）ROC和AUC曲线等；

集成学习模型（GBRT）训练预测与评估

交叉验证（Cross-Validation）：K折交叉验证、留一法等，用于评估模型泛化能力。

模型选择与避免过拟合/欠拟合：学习曲线分析

第二天：上午

无监督学习

什么是无监督学习

无监督算法——聚类

无监督算法——降维

K-均值聚类（K-Means），层次聚类，t-SNE、主成分分析原理与实操讲解

实操：

鸢尾花数据集用于聚类实现和应用

T-SNE实现和应用

PCA的实现和应用

层次聚类的实现和应用

K-means聚类的实现和应用

钙钛矿材料聚类实操：

数据加载，参数调优，构建模型，对钙钛矿数据执行降维，可视化及分析

第二天：下午

实操：超稳定高效钙钛矿太阳能电池的机器学习建模

实操：钙钛矿太阳能电池界面钝化材料的机器学习辅助筛选

多种机器学习模型构建，线性回归模型，逻辑回归模型，K近邻模型，支持向量机模型，决策树模型，神经网络模型

集成学习训练：Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM

参数调优与模型优化，.超参数调优：网格搜索（Grid Search）、随机搜索（Random Search）

模型评估与结果分析

第三天：上午

利用机器学习巩固钙钛矿太阳能电池实验结果的多样性

钙钛矿太阳能电池数据探索，特征工程，数据预处理

多种机器学习方法应用于钙钛矿材料综合训练

机器学习模型训练与评估

模型的可解释性实战，线性回归方程式，决策树模型可视化，随机森林筛选特征等重要性，SHAP值可解释性等

第三天：下午

深度学习与神经网络基础

神经网络基础：感知器、多层感知机、激活函数、损失函数、梯度下降与反向传播。

深度神经网络模型原理：CNN、RNN、GRU、LSTM、Transformer模型基本原理

图神经网络模型原理与应用

图的基本概念：节点（原子）、边（键）、图（晶体结构/分子）GNN基本思想：消息传递机制

常用GNN架构介绍：GCN, GAT, SchNet, MEGNet/ALIGNN等

实操：

用于钙钛矿性质预测的常规机器学习和图神经网络模型的比较分析

Pytorch代码基础、CNN、RNN、LSTM、Transformer模型搭建

图结构的组成与图神经网络基础模型构建

torch_geometric构建GCN、GAT等图神经网络基础模型

第四天：上午

晶体图卷积神经网络实操应用

CGCNN文章详解与代码复现

CGCNN模型基本原理与实操运行

Materials Project网站获取钙钛矿数据集用于CGCNN模型训练

第四天：下午

边重构图神经网络在钙钛矿领域应用

PyG构建钙钛矿图神经网络模型

图结构边信息重构图神经网络模型搭建与优化

GNN模型训练有机无机杂化钙钛矿

三元有机无机钙钛矿高通量建模

GNN模型筛选FASn0.5Pb0.5I3、MASn0.5Pb0.5I3稳定结构

对比分析不同模型在钙钛矿性质预测中的优势与不足

总结两类模型在钙钛矿材料研究不同场景下的适用情况，为实际研究中的模型选择提供参考