有机光电材料机器学习应用专题

3.2 钙钛矿bandgap预测

课程安排

2024年8月24日
上午 机器学习技术基础
09:00-10:00：机器学习与深度学习简介，三大要素（高质量原始数据，特征工程，算法）
10:00-11:00：数据收集：实验，文献提取，DFT；特征工程：描述因子的选取与优化
11:00-12:00：算法选取，预测结果的评估与分析
下午 数据采集源于实验
13:30-14:00：python环境构建，安装常用python库
14:00-15:00：实操1，有机半导体的筛选（实验mu预测）
15:00-16:00：实操2，有机太阳能给受体的筛选（实验PCE预测）
16:00-17:00：实操3，钙钛矿表面钝化分子的筛选（实验PCE预测）
2024年8月25日
上午 DFT高通量数据采集与机器学习预测
09:00-10:00：DFT高通量计算的实现
10:00-11:00：实操4，钙钛矿材料的bandgap预测 （DFT）
11:00-12:00：实操5，有机半导体中分子间轨道耦合的预测（DFT结果预测），还有重组能预测等
下午 机器学习进阶
13:30-14:30：实验数据优化，归一化，分组的影响
14:30-15:30：描述因子开发与优化
15:30-16:30：超参数优化
16:30-17:00：实操6， 电子皮肤或光电探测的物体识别（深度学习）

讲师介绍
周老师，前100高校海外博士、某985大学副教授、博导。主要从事于计算材料学科学研究。已发表SCI论文含JACS， AM, AEM, AFM，ACS CATAL., PRB, JCIM,JCP等70余篇，他引超4200次，H因子32。

客服联系
微信号cailiaoren010。

0.0 机器学习简介 有机光电材料机器学习应用专题

1.1 应用领域 有机光电材料机器学习应用专题

1.2 机器学习类别 有机光电材料机器学习应用专题

1.3 深度学习 有机光电材料机器学习应用专题

1.4 机器学习三大要素 有机光电材料机器学习应用专题

1.5 描述符选择 有机光电材料机器学习应用专题

1.6 机器学习算法 有机光电材料机器学习应用专题

2.1 Python安装 有机光电材料机器学习应用专题

2.2 有机半导体迁移率模型建立 有机光电材料机器学习应用专题

2.3 给受体筛选 有机光电材料机器学习应用专题

2.4 答疑 有机光电材料机器学习应用专题

2.5 钙钛矿太阳能电池钝化剂体筛选 有机光电材料机器学习应用专题

2. 6 实操 有机光电材料机器学习应用专题

3.1 基于DFT数据的机器学习模型建立 有机光电材料机器学习应用专题

3.2 钙钛矿bandgap预测 有机光电材料机器学习应用专题

3.3 轨道耦合预测 有机光电材料机器学习应用专题

3.4 分子重组能预测 有机光电材料机器学习应用专题

4.1 机器学习进阶 有机光电材料机器学习应用专题

4.2 演示 有机光电材料机器学习应用专题

4.3 描述因子开发 有机光电材料机器学习应用专题

4.4 超参数优化 有机光电材料机器学习应用专题

4.5 数值处理与分析 有机光电材料机器学习应用专题