Abaqus学习论坛
生成式AI驱动的高分子材料研发与应用
生成式人工智能导论
1. 学习目标:明确生成式AI方法的适用性，优势，以及局限性等。
1.1 深度学习和生成式AI
1.2 生成式AI的应用实例（VAE、Diffusion、LLM等）
1.3 生成式AI在材料领域(无机、金属、高分子等领域)的应用
大语言模型：生成式AI的核心
2. 学习目标:以生成式AI中最重要的一个模块—大语言模型为例，对生成式AI进行重点分析。
2.1 大模型的架构与特点（如 GPT、BERT 等）2.2 （聚合物）材料大模型最新开发进展
2.3 大模型的训练与应用示例
案例实践教学一：以GPT训练为例
深入大语言模型的开发和在线部署
3. 学习目标:以大语言模型为例，有针对性的对生成式AI进行系统的学习，以方便将来开展基于生成模型的性质预测和逆向设计的学习
3.1 Tensorflow与Pytorch—深度学习模块
3.2 HuggingFace—大语言模型的“Github“
3.3 Langchain—训练、使用大模型的脚手架
3.4 Gradio—自己部署在线机器学习模型
3.5案例实践教学二: 利用机器学习和生成式AI方法预测聚合物粘度——体会各模型在精度、复杂度和计算时间的区别
材料基因工程：数据驱动的聚合物设计
4. 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，学习如何利用Pandas、ChemDraw、Dragon、Mordred等软件包批量构建及处理数据集，对材料进行特征选择。常见的聚合物材料结构表示方法及编码及机器学习模型的评估与利用
4.1 材料基因组：从高通量计算到智能设计
4.2 常见（聚合物）材料数据库Material Project数据库、PolyInfo、AI Polymer Plus、Polymer Genome
4.3常见聚合物数据获取与使用
4.4 聚合物结构的特征工程
4.5 特征选择(过滤特征、包装到其他评估或集成到训练)
4.6案例实践教学三:(包含以下内容)
• 从零开始手搓耐热高分子/高力学性能高分子机器学习筛选工作流的代码，
• 实现对聚合物结构表示、特征筛选、模型建立、模型优化和高通量筛选的掌握
• 通过以上课程加深对于机器学习模型和深度神经网络（如图神经网络）的掌握。
4.8 案例实践教学四：主动学习、对比学习框架在聚合物科学问题中的实现
生成式AI在聚合物科学中的应用
5. 学习目标:介绍深度学习领域前沿内容，了解材料科学与机器学习领域最新研究动态，同时介绍几种更为先进的机器学习算法。
5.1 生成模型在聚合物材料性质预测和逆向设计中的应用与挑战
5.2 大语言模型驱动性质预测
案例实践教学五：大语言模型实现聚合物性质预测—polyBERT和TransPolymer
5.3 逆向设计范式：
案例实践教学六：VAE和大语言模型实现聚合物按需逆向设计
5.4 生成式AI在材料科学中的规模化应用前景
 
2025-05-14
浏览432
🧋大佬答疑
登录后评论
评论
分享