一、基础概述与核心方法论
1.AI 在聚合物及复合材料领域的理论基础和应用概述
2.传统机器学习，深度学习和生成式 AI 方法概述
3.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）
4.聚合物研究的 AI 方法论框架
1.数据驱动与机理驱动的协同（第一性原理到领域知识）
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
1.学术数据资源与获取
1.常见数据库：Material Project、Polymer Genome、Polylnfo 等
2.聚合物公开benchmark和Kaggle数据集
2.数据预处理与质量优化
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)
3.聚合物复合材料数据收集与预处理 (实践)
3.特征工程
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）
2.特征选择方法（过滤法、包装法、递归消除法等）(实践)
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）
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)
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） 1.传统机器学习模型及应用
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
2.应用场景：复合材料力学性能预测（如应力应变曲线）(实践)
2.深度学习模型
1.深度学习模型训练与部署：Tensorflow/PyTorch、Gradio等 (实践)
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.（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)
4.生成式 AI 与大语言模型
1.大模型训练与部署：Langchain、HuggingFace等 (实践)
2.（聚合物）分子生成模型：VAE、GAN、Diffusion 等 (实践)
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
1.正向性能预测
1.机器学习预测聚氨酯复合材料应力应变曲线 (实践)
2.机器学习预测PI复材力学性能 (实践)
3.可解释性分析：特征重要性分析、SHAP 值的应用 (实践)
2.逆向设计与智能筛选
1.生成式 AI 驱动的全空间聚合物材料生成 (实践)
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AI方法在聚合物领域实践案例与科研指导
1.聚合物表示学习性能探索（描述符、分子图、SMILES、BigSMILES、SELFIES等）(实践)
2.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)
3.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)