首页 > 行业资讯 > 机器学习·物理仿真·实验表征的深度结合｜新能源电池产业 AI4Science 研讨班第一期招生申请开放

机器学习·物理仿真·实验表征的深度结合｜新能源电池产业 AI4Science 研讨班第一期招生申请开放

时间：2023-11-22 来源：浏览：

机器学习·物理仿真·实验表征的深度结合｜新能源电池产业 AI4Science 研讨班第一期招生申请开放

储能前沿

储能前沿

微信号 EnergyStorageNews

功能介绍聚焦新型储能前沿，助力双碳目标达成，汇集储能资讯、行情、政策、技术最新动态，为您提供一站式服务体验。储能前沿为北京国化新材料技术研究院运营的传播信息、启发思维的新媒体。

收录于合集

关于深势科技

深势科技是“AI for Science”科学研究范式的引领者和践行者，致力于运用人工智能和多尺度的模拟仿真算法，结合先进计算手段求解重要科学问题，为人类文明最基础的生物医药、能源、材料和信息科学与工程研究打造新一代微尺度工业设计和仿真平台。

我们开创性地提出了「多尺度建模+机器学习+高性能计算」的革命性科学研究新范式，并推出了 Bohrium®科研云平台、Hermite®药物计算设计平台、RiDYMO®难成药靶标研发平台及 Piloteye™电池设计自动化平台等工业设计与仿真基础设施，颠覆了现有研发模式，打造“计算引导实验、实验优化设计”的全新范式。

深势科技是国家高新技术企业、国家专精特新“小巨人”企业，总部位于北京，并在上海、深圳等城市布局研发中心。科研技术团队由中国科学院院士领衔，汇集了超百位数学、物理、化学、生物、材料、计算机等多个领域的优秀青年科学家和工程师，其中公司的博士及博士后占比超过35%。核心成员获得过2020年全球计算机高性能计算领域的最高奖项“戈登贝尔奖”，相关工作当选2020年中国十大科技进展和全球AI领域十大技术突破。

AI4Science 的高速发展正在为业界带来前所未有的巨大革新，将 AI 的技术与方法应用于能源材料领域正在、并将持续解决企业发展中遇到的问题，从而为整个行业带来巨大收益。例如，深势科技近日发布的多模态科学文献大模型 Uni-Finder ，通过融合先进的多模态文献理解和灵活的自然语言处理技术，在企业的科学研究和工业研发中，能够极大地提高科学文献检索和分析效率，为科研工作的工业化落地提供更广阔的突破口。

基于企业真问题，结合近年来的探索实践，深势科技电池材料团队携手学界最顶尖的教授、业界最具经验的工程师共同打造《 新能源电池产业 AI4Science 研讨班 》，从 AI 时代下能源材料研究的整体图景讲起，从原理讲解到计算实践，带领大家了解电池材料研究的各个方面，一次培训带你学透 AI 时代下能源材料技术的方方面面！

课程内容

本期新能源电池产业 AI4Science 研讨班将由线下闭门研讨会与线上系列专题讲座组成，旨在为 有志于引领新能源电池产业技术革新的人才 提供一次系统的学习机会与充分的交流平台。课程分为线下闭门会和线上课程两部分，线下闭门会旨在促进产业界与学术界人才之间的充分交流，届时 来自学术界的专家学者与来自头部企业的研发总监将分享他们对于新能源电池研发的洞见 。线上课程则从 人工智能、物理仿真和实验表征 三个方向入手，学员将在领域资深专家的带领下进行一场 酣畅淋漓的跨学科学习体验 ，了解掌握包括机器学习、第一性原理计算、分子动力学、连续介质理论、显微镜学、与电化学等在内的常见算法技术原理，并结合科研云平台 Bohrium® 与电池自动化设计平台 Piloteye™ 进行上机实践， 在实战中熟悉人工智能赋能的电池设计 。

电池研发场景中从材料到电芯中的关键技术问题及多尺度模型方法概览

研讨班日程

· 整体时间 & 地点：

1 . 厦门线下： 12.1，12.2（仅限4980元学员）

2. 线上课程：12.9，12.10，12.16

(具体时间见课表）

· 具体日程：

部分应用领域案例分析包括：

密度泛函方法与分子动力学：采用量子化学方法计算研究电解液各组分的氧化/还原性质；采用高通量计算引擎 Pymatgen 评估固态电解质与电极界面的(电)化学稳定性；采用第一性原理计算软件 ABACUS 研究电压曲线及结构变化；采用深度势能分子动力学 DeePMD 进行固态电解质点导计算与结合遗传算法进行正极低能构象搜索；采用结构搜索软件 CALYPSO 研究固态电解质与正极的界面结构等；采用增强采样套件 PLUMED 研究正极过渡金属离子迁移的采样问题等。

连续介质理论： 采用 Piloteye ™ +电化学仿真模拟电池 DCR 流程并预测不同设计情况的电阻变化；采用固态电池仿真方法模拟固态电池不同设计方案的电性能，对比验证不同设计因子的极限；使用 KMC 方法对磷酸铁锂脱嵌锂机制与电解液 SEI 组分分析的研究；采用电池老化模型预测电池在不同工况下的容量衰减过程等。

机器学习： 使用卷积神经网络进行电子显微图像修复、实用无监督学习算法进行样品电镜照片的聚类分析；使用 LSTM 与 Transformer 模型进行电池状态与寿命的预测；使用三维分子表征框架与预训练模型 Uni-Mol 进行电解液物性评估等；使用自动微分方法进行电化学仿真参数反演与优化等。

讲师阵容

陈胜利， 武汉大学二级教授、博士生导师。分别于1991年和1996年在武汉大学获得学士和博士学位，在 Imperial College London 等从事博士后研究，2004年起任武汉大学教授；主讲《物理化学》、《电极过程动力学》等课程；兼任 ACS Catalysis(2018-2022)、《催化学报》、《电化学》等期刊编委；获中国电化学青年奖, 武汉大学珞珈学者特聘教授等；长期从事与能源转化有关的电化学基础与材料研究，主要方向有电催化、理论与计算电化学，燃料电池等；承担国家自然科学基金重点项目等十余项。作为主编之一出版《电催化》专著，近年来在 Nat. Catal.，Chem. Soc. Rev.，J. Am. Chem. Soc.，Nat. Commun.，Angew. Chem. Int. Ed.，Adv. Mater.，Adv. Energy Mater.，Chem. Sci.，ACS Catal. 等期刊累计发表学术论文150余篇。

邓斌，深势科技材料设计高级研究员，毕业于厦门大学，长期从事锂电材料的仿真开发，在电池材料的计算模拟和实验开发有较为丰富的产业和研究经验。

刘思远， 深势科技深度学习算法研究员，2022年博士毕业于中山大学与微软亚洲研究院联合培养项目，2017年本科毕业于中山大学。长期致力于用 AI 的方法论解决 Science 的前沿问题，研究课题横跨新型诊疗、药物发现、密度泛函理论、材料设计、电池能源等领域，有着丰富的跨学科研究经验。

王雪锋， 中国科学院物理研究所特聘研究员，博士生导师，高能量密度锂电池界面表征与调控，擅长采用冷冻电镜技术研究辐照敏感材料。1. 在国际上率先将结构生物领域中的冷冻电镜技术引入到二次电池领域，研究了辐照敏感的电池材料及其界面的微观结构，尤其是备受关注的石墨、硅和金属锂负极，从而成功地联接了结构修饰、性能改善和条件控制等环节。相关结果发表在 Nature Materials、Joule、Nano Letter、Nano Energy、ACS Energy Letter、Cell Reports Physical Science 和 Energy Storage Materials 等国际顶级杂志上，引起了国内外专家学者的广泛关注和认可；2. 结合化学滴定和气相质谱，开发了准确区分和定量活性/非活性金属锂和锂-硅合金，揭示了固体电解质界面 SEI 膜的结构、成分、演变及其与活性物质的相互作用，并提出界面改性等策略以提高金属锂和锂-硅合金的电化学可逆性；3. 采用多种表征手段解析全固态电池的界面问题，分析了复杂界面对电荷转移、离子输运、机械性能、安全性能和电化学性能的影响，指出界面调控和修饰是提高全固态电池性能的关键。

王一博， 深势科技教学总监。本科和硕士毕业于北京大学信息科学技术学院，计算机专业，研究方向是机器学习与深度学习，深度扎根人工智能与教育行业，曾供职于一线互联网、教育行业。管理和运营全球最大的 AI4Science 社区 DeepModeling 开源社区，发起并组织 AI4Science 品牌教学活动“哥伦布训练营”，课程学员覆盖来自国内外上百所高校数万名学员。

许审镇， 北京大学材料科学与工程学院研究员（2020年9月至今），2011年本科毕业于清华大学物理系，2017年博士毕业于美国威斯康星大学麦迪逊分校，2017-2020在美国普林斯顿大学开展博士后研究。主要从事电化学体系表界面过程的计算模拟及方法开发工作。2022年2月至今在北京科学智能研究院（AISI）兼职负责电池材料理论计算团队。以第一作者或通讯作者身份在 J. Am. Chem. Soc./PNAS/Adv. Funct. Mater./J. Phys. Chem. Lett./J. Chem. Theory Comput. 等期刊发表论文二十余篇。

杨凯麒， 深势科技介宏观电池仿真研究员，2021年博士毕业于莱斯大学，2015年本科毕业于南京大学。曾任职于 3C 电池全球 Top 企业，从事锂离子电池电芯仿真开发工作和电池材料介观充放电相变研究，在 Nature, Acs Energy Lett. 等期刊发表/合作发表多篇SCI论文，对电池领域介观、宏观尺度有丰富的研究和产业经验。

张林峰， 深势科技创始⼈&首席科学家，北京科学智能研究院 (AI for Science Institute, Beijing) 研究员，北京大学理学学士，普林斯顿大学应用数学博士。林峰长期致力于 AI for Science 跨学科领域的问题研究，在机器学习、计算物理化学、材料与药物设计等领域成果丰富。林峰带领团队发展了 Deep Potential/Reinforced Dynamics/Uni-Mol/Uni-Fold 等模型算法、DeePMD-kit/DeePKS-kit 等开源软件、以及 AI for Science 领域最大的开源社区 DeepModeling，领导社区基础设施建设、项目协同开发和运营工作。2020年，林峰作为核心开发者的工作获得高性能计算领域最高奖ACM戈登贝尔奖，该成果也入选了由两院院士评选的2020年度中国十大科技进展。

张与之， 深势科技资深算法研究员，毕业于北京大学。“深度势能”系列开源软件 DeePMD-kit 与 DP-GEN 的核心开发者之一，相关软件被广泛地用于分子模拟与材料设计；主导研发了药物设计领域自由能微扰计算软件 Hermite® Uni-FEP 与 AI for Science 科研云平台 Bohrium®，成果入选“北京建设国家人工智能创新应用先导区优秀案例” 。

(按拼音首字母排序）