随着数据科学的发展，机器学习（ML）已成为加速催化材料研发、破解复杂“构效关系”的革命性工具。它能够从海量实验与计算数据中挖掘深层规律，实现材料性能的精准预测，从而大幅减少试错成本，指导新型高性能催化剂的理性设计。为了帮助学员掌握相关技能，材料人网于10月25日-26日开展机器学习在催化材料研究中的应用与实战。本课程并非纯理论教学，而是一门注重实战、紧扣科研需求的密集型实训课程。我们将摒弃“黑箱”操作，带领学员从环境搭建、数据获取开始，一路深入到模型构建、优化与科学解释，最终完成多个源自真实科研场景的综合案例，旨在让学员快速获得将机器学习应用于自身催化研究项目的实战能力。

授课时间

2025年10月25日-26日

课程内容

第一天：基础入门---从数据到第一个预测模型

上午9: 00-12: 00：环境搭建、数据与特征工程

1 导论与环境配置

1.1机器学习为何能加速催化研究？——解决复杂构效关系、筛选海量材料、指导实验设计。

1.2 Python环境搭建全流程：Anaconda创建虚拟环境→安装numpy、pandas、matplotlib、seaborn、scikit-learn、xgboost和shap等python库。

2 从文献到数据：真实催化数据构建

2.1 数据库：Catalysis-Hub、Materials Project和OQMD接口调用示例。

2.2 文献抓取：使用CrossRef API+Python自动爬取DOI与实验数据表格，PDF表格解析提取催化电流密度、过电位及比表面积等，数据清洗。

2.3 特征工程：结构描述符（d-band center、配位数、键长分布）、电子描述符（Bader电荷、态密度（DOS）特征）、形貌/实验条件描述符：粒径、反应温度、pH和溶剂极性

2.4 实操案例：预测析氢反应（HER）过电位，包括自动抓取文献数据，用pandas合并数据，生成csv表格，特征工程与模型训练。

下午14:00-17:00：数据洞察与算法基础

3 数据可视化与相关性分析

3.1 皮尔逊相关系数计算，p值判定

3.2 seaborn.heatmap绘制热图并解释特征与活性关联

3.3 数据解释：HER案例中特征与活性相关性

4 机器学习算法原理与适用场景

4.1 线性/岭/套索回归算法原理与代码实操

4.2 支持向量机算法原理与代码实操

4.3 随机森林算法原理与代码实操

4.4 XGBoost算法原理与代码实操

4.5 PCA算法原理与代码实操

4.6 算法优势/劣势介绍及适用数据规模

第二天：进阶应用---模型优化、解释与综合实战

上午9: 00-11: 00：模型优化与科学解释

5 模型训练、调参与评估

5.1 交叉验证(CV)原理：保证模型稳定性

5.2 网格搜索(Grid Search)原理：自动化调参

5.3 实操案例：优化SVM和XGBoost预测CO2RR产物选择性

5.3 模型评估：MAE、RMSE、R2的计算与如何转化为催化活性意义

5.4 输出预测值 vs 实验值散点图

6 模型可解释性-----SHAP

6.1 SHAP原理简介

6.2 全局可解释性：哪些特征整体最重要？(SHAP摘要图)

6.3 局部可解释性：为什么某个样本会得到这个预测？（SHAP力图/瀑布图）

下午14: 00-16: 00：综合实战与总结

7 综合案例：金属纳米团簇催化剂活性预测

7.1 数据导入与清洗

7.2 PCA降维与可视化

7.3 SVM/XGBoost模型训练

7.4 交叉验证&网格搜索精细调参

7.5 预测值与实验值散点图绘制

7.6 皮尔逊热图绘制

7.7 SHAP分析及相关图绘制

8 高熵催化材料综合实战

8.1 高熵催化剂综合案例一：高熵合金（HEA）析氢活性预测

8.2 高熵催化剂综合案例二：高熵金属氧化物（HEMO）ORR/OER双功能催化

8.3 高熵催化剂综合案例三：高熵氢氧化物（HEH）案例，电化学析氧（OER）稳定性

授课老师

廖老师，国家重点实验室研究员，在国内和海外知名高校完成博士及博士后研究工作，主要研究方向为基于深度学习的材料性能预测与优化，以及利用机器学习技术加速新型电池材料、催化材料的研发，相关研究发表在Advanced Energy Materials、Small、Energy & Environmental Science等国际知名期刊，累计发表学术论文20余篇，并担任多个期刊审稿人，具有丰富的深度学习与材料科学交叉领域的研究经验。