第一天：固态电池基础与计算模拟概览

上午：固态电池基本原理与关键挑战

1.1 固态电池概览

固态电池的发展使命与优势。

基本构成：正极、负极、固态电解质、界面。

固态电解质分类与特性（聚合物、氧化物、硫化物等）。

工作原理与性能评估指标。

案例分析：现有商业化/准商业化固态电池案例分析（性能、挑战）。

1.2 固态电池关键挑战

界面稳定性问题（空间电荷层、枝晶生长、副反应）。

离子电导率与传输机制。

机械稳定性与循环寿命。

小组讨论：学员提出在实际工作中遇到的固态电池难题。

下午：固态电池材料计算模拟方法入门

1.3 第一性原理 (DFT) 在固态电池中的应用

DFT基本概念与在材料科学中的作用。

CP2K简介：如何设置计算任务（结构优化、能量、电子结构）。

实操：利用CP2K计算固态电解质的晶格常数、形成能（提供示例输入文件与结果解析）。

实操：利用VESTA可视化晶体结构和电子密度。

1.4 分子动力学 (MD) 在固态电池中的应用

MD基本概念与在材料科学中的作用。

LAMMPS/Gromacs简介：如何设置MD模拟（原子间势函数、温度、压力）。

实操：利用LAMMPS模拟固态电解质的离子扩散行为（提供示例输入文件与轨迹文件解析）。

实操：利用VMD可视化MD模拟轨迹。

第二天：机器学习基础与固态电池数据处理

上午：机器学习核心概念与在材料科学中的应用

2.1 机器学习基础

机器学习的分类：监督学习、无监督学习、强化学习。

常用算法简介：线性回归、逻辑回归、支持向量机、决策树、随机森林、K-Means。

案例分析：介绍几个机器学习在其他材料领域的成功应用。

模型评估指标：R2、MAE、MSE、准确率、召回率、F1-score。

2.2 机器学习在固态电池领域的应用流程

数据获取、特征工程、模型选择与训练、模型评估与部署。

案例分析：一个简化的机器学习预测固态电解质离子电导率的流程介绍。

下午：固态电池数据处理与特征工程

2.3 Python科学计算库实战

实操：Numpy用于数组操作和数值计算。

实操：Pandas用于数据读取、清洗、处理与分析（以模拟或实验数据为例）。

实操：Matplotlib/Seaborn用于数据可视化（散点图、直方图、热力图等）。

2.4 固态电池体系的特征描述符构建

理论：为什么需要特征描述符？常见的材料特征描述符（晶格参数、元素属性、结构信息、局部环境）。

实操：Pymatgen/ASE库介绍：如何从CIF/POSCAR文件提取结构信息。

实操：构建简单的描述符：例如，基于元素电负性、原子半径的均值、方差等。

实操：利用Pymatgen/ASE结合Python脚本，从DFT计算结果中提取能量、结构、态密度等信息，并转换为机器学习可用格式。

第三天：机器学习模型构建与固态电池性能预测

上午：传统机器学习模型在固态电池中的应用

3.1 回归模型预测离子电导率

任务：基于固态电解质的成分和结构特征（预处理好的数据集），预测其离子电导率。

实操：数据集加载与预处理（归一化、特征选择）。

实操：使用Scikit-learn构建并训练线性回归、随机森林回归、支持向量机回归模型。

实操：模型评估（MAE, MSE, R2）与结果可视化。

讨论：不同模型的优缺点及适用场景。

3.2 分类模型预测界面稳定性

任务：基于电极/电解质界面的特征（预处理好的数据集），预测界面是否稳定。

实操：数据集加载与预处理。

实操：使用Scikit-learn构建并训练逻辑回归、决策树、随机森林分类模型。

实操：模型评估（准确率、召回率、F1-score、混淆矩阵）与结果可视化。

讨论：如何处理类别不平衡数据。

下午：深度学习模型在固态电池中的应用

3.3 神经网络基础与TensorFlow/PyTorch入门

神经网络基本结构（全连接层、激活函数、损失函数、优化器）。

TensorFlow/PyTorch简介：张量操作、自动微分。

演示：构建一个简单的全连接神经网络模型。

3.4 深度学习预测固态电池关键性能

任务：利用多层感知机 (MLP) 预测固态电池的循环寿命或特定性能指标。

实操：数据集准备（可能需要更复杂的特征）。

实操：使用TensorFlow/PyTorch构建、训练并评估MLP模型。

实操：超参数调优（学习率、批次大小、层数、神经元数量）。

讨论：深度学习在处理复杂、高维固态电池数据时的优势。

第四天：新型固态电池材料发现与设计

上午：高通量筛选与数据库应用

4.1 材料数据库与高通量计算

理论：Material Project (MP) 数据库介绍及其在材料设计中的价值。

实操：MP API的使用（通过Python查询材料结构、能量、电子性质等）。

实操：Matminer库介绍：如何从MP数据提取特征。

4.2 机器学习加速新型固态电解质筛选

任务：利用机器学习模型结合Matminer和MP数据，筛选潜在的高性能固态电解质材料。

实操：定义筛选标准（例如，高离子电导率、宽电化学窗口）。

实操：构建并训练预测模型（可以是前一天训练好的模型或新模型）。

实操：对MP数据库中的材料进行高通量预测与筛选，生成候选材料列表。

讨论：如何评估筛选结果并指导实验验证。

下午：界面工程与稳定组合发现

4.3 固态电池界面稳定性预测

理论：界面反应机制与影响因素。

实操：构建界面特征描述符：基于电极/电解质材料的晶体结构、元素组成、电子结构差异等。

实操：利用机器学习模型（分类或回归）预测界面形成能、界面相变倾向等。

案例分析： 某个具体的电极/电解质界面组合，分析其预测结果。

4.4 机器学习发现稳定的界面组合

任务：结合多种电极和电解质材料，利用机器学习模型进行组合筛选，发现稳定的界面。

实操：构造所有可能的电极-电解质组合。

实操：利用训练好的界面稳定性预测模型，对所有组合进行预测。

实操：筛选出预测为稳定的界面组合，并对其进行排序和分析。

讨论：如何将机器学习结果与DFT/实验结果结合进行验证。

第五天：机器学习与多尺度计算模拟的融合

上午：神经网络势函数与MD加速 

5.1 机器学习势函数基础

理论：为什么需要机器学习势函数？传统势函数的局限性。

理论：神经网络势函数 (NNP) 的基本原理。

演示：Deepmd-kit/MACE介绍：如何训练NNP模型。

5.2 Deepmd-kit/MACE实操

任务：利用Deepmd-kit/MACE训练固态电解质的机器学习势函数。

实操：数据准备：从DFT计算轨迹生成训练数据（能量、力、应力）。

实操：训练NNP模型（提供示例配置文件）。

实操：评估NNP模型的准确性（与DFT结果对比）。

讨论：NNP在加速MD模拟中的优势。

下午：多尺度研究策略与未来展望

5.3 机器学习加速大规模MD模拟

任务：利用训练好的Deepmd-kit/MACE势函数进行大规模分子动力学模拟。

实操：设置并运行基于NNP的LAMMPS/Gromacs MD模拟。

实操：分析大规模MD模拟结果（例如，离子扩散系数、相变过程）。

讨论：如何将NNP模拟结果与宏观性能联系起来。

5.4 机器学习与多尺度计算模拟的融合策略

结合DFT、NNP-MD、蒙特卡洛等方法进行多尺度研究。

固态电池材料研发的未来趋势：自动化、高通量、AI驱动的实验。

讨论：学员项目构思与Q&A。

部分案例图片：