AI赋能MOFs材料智能设计与性能预测实战
线上特训
AI赋能MOFs材料智能设计与性能预测实战
课程时间：
2026年04月18日-04月19日
2026年04月25日-04月26日
（4天线上直播+全程录播+社群答疑）
1.
课程导语
金属有机框架材料（MOFs）作为新型多孔晶体材料，在气体存储分离、催化转化、能源储备及传感检测等领域应用前景广阔。但其结构组成复杂多变，依赖实验手段逐一验证效率低下，难以满足规模化开发需求。融合计算化学与智能算法，为MOFs材料的精准设计与效能提升开辟了新路径。
借助量子化学计算、分子动力学模拟与机器学习技术，可深度解析海量MOFs结构的构效关系，预判其吸附分离能力、化学稳定性等核心指标，完成大规模虚拟筛选与靶向优化，显著缩短研发周期。
为帮助科研工作者掌握AI与计算化学在MOFs领域的创新方法与实践能力，现推出"AI赋能MOFs材料智能设计"专题研修班。本次研修由北京软研国际信息技术研究院主办，互动派（北京）教育科技有限公司协办，具体安排如下：
2.
适合人群
从事材料化学、物化计算、化工工程、多孔介质、吸附分离、AI数据科学、能源环境等领域研究的技术人员、工程师、高校师生及相关从业者。
3.
师资团队
主讲团队来自国内顶尖高校，专注AI驱动的科学研究方向。研究成果多次发表于JACS、npj Computational Materials、IECR等国际权威期刊，累计发表SCI论文30余篇。在MOFs材料的催化与吸附应用方面，具备丰富的AI方法开发经验。
4.
课程亮点
1、学科交叉融合：贯通计算化学、材料学与智能算法，打造"理论-模拟-数据-模型"闭环体系。
2、全链条实操训练：涵盖MOFs结构预处理、模拟运算、AI建模到高通量筛选，形成完整技术路径。
3、多维度技术覆盖：包含DFT计算、分子模拟、经典机器学习、可解释AI、图神经网络等前沿方法。
4、兼顾预测与机理：强化模型预测精度的同时，运用可解释AI技术解析材料构效关系。
5、产学研用联动：通过文献复现、虚拟筛选实战、新材料设计思路，推动科研产出与工程落地。
5.
课程大纲
模块
核心内容
第一模块
AI+MOF计算基础与平台搭建
1. 核心理论：
1.1. AI革新计算化学：从传统模拟到深度学习范式转型
1.2. MOF构效关系拆解：金属中心、配体特性与宏观吸附分离性能的关联机制
1.3. 科研计算与AI流程集成：数据库获取→结构净化→特征提取→模型训练的标准化pipeline
1.4. DFT理论基础：MOF结构优化、电子结构分析及吸附活性位点识别
实操演练1：
◇ 案例1：基于MOSAEC算法清洗CoRE-MOF、QMOF数据库，完成结构合理性验证
◇ 案例2：运用Zeo++工具计算MOF孔隙结构参数（比表面积、孔容等）
◇ 案例3：批量提取拓扑特征与化学描述符（不饱和金属位点、配体拓扑结构）
◇ 案例4：采用CP2K软件优化MOF晶体结构并计算甲烷分子吸附能，为AI筛选结果提供理论支撑
第二模块
分子模拟与高通量计算实战
1. 核心理论：
1.1. 分子模拟内核：力场参数与电荷分布的物理内涵及优选策略
1.2. 分子模拟揭示MOF吸附分离机理：活性位点识别与扩散通道分析
1.3. 高通量计算体系：构建AI训练"数据引擎"的技术路径与MOF设计实践
实操演练2：
◇ 案例1：RASPA2软件计算气体吸附分离性能
◇ 案例2：RASPA2绘制吸附等温线与气体分子分布概率图
◇ 案例3：GPU加速版gRASPA完成大规模GCMC模拟，感受数据规模化生成效率，构建ML训练集
◇ 案例4：高通量GCMC数据后处理与可视化，提炼构效映射规律
文献实战：复现Nature Chem 2012, 4, 83–89高通量筛选流程，探讨模拟数据如何驱动AI建模
DOI: 10.1038/nchem.1192
第三模块
经典机器学习与可解释AI技术
1. 理论精讲
1.1. MOF领域的QSAR/QSPR建模：定量构效关系构建
1.2. 特征工程要义：孔隙结构参数（比表面积、孔径分布）的物化意义
1.3. 算法对比剖析：RF、XGBoost、SVM在吸附性能预测中的适用性
1.4. 可解释AI方法：SHAP、SISSO揭示材料设计规律与物理机制
实操演练3：
◇ 案例1：Python搭建XGBoost、SVM、RF模型预测MOF吸附分离性能
◇ 案例2：贝叶斯优化算法实现超参调优与特征筛选
◇ 案例3：SISSO算法从高维描述符中提炼可解释物理方程
◇ 案例4：多维度可视化：AUC曲线、误差散点图、SHAP蜂群图
◇ 案例5：预测全新MOF材料吸附性能，检验模型外推能力
文献实战：复现J. Phys. Chem. C 2019, 123, 4133–4139中CO2吸附容量与选择性的ML预测模型
DOI: 10.1021/acs.jpcc.8b10644
第四模块
图神经网络与MOF构效建模
1. 理论精讲
1.1. GNN基本原理：晶体结构的图表示方法—节点、边及全局属性编码
1.2. 主流GNN架构：CGCNN、MEGNet消息传递机制及其MOF建模优势
1.3. 图特征构建策略：化学键信息、配位环境、拓扑连接性的嵌入方法
1.4. GNN可解释性分析：解读模型提取的化学特征意义
实操演练4：
◇ 案例1：Pymatgen工具将MOF晶体转化为GNN输入张量
◇ 案例2：搭建CGCNN/MEGNet模型预测MOF吸附性能，对比传统ML效果
◇ 案例3：GNN特征可视化：t-SNE/PCA降维展示结构表征学习结果
◇ 案例4：应用训练好的GNN模型对hMOF等虚拟数据库进行快速筛选与材料推荐
文献实战：复现Chemical Engineering Science 2022, 259, 117813中基于CGCNN的储氢MOF分类模型
DOI: 10.1016/j.ces.2022.117813
6.
典型案例图示
7.
学员权益
1、报名即赠全套电子教材与实战模型文件；
2、课程结束后开放全程录播，两年内可无限次观看；
3、完成培训并通过考核者，获颁北京软研国际信息技术研究院《AI-MOFs性能预测工程师》认证证书；
8.
培训费用
￥4600元/人
（涵盖报名费、授课费、资料费）
2025年12月31日前缴费享300元早鸟优惠
老学员或2人及以上拼团各减200元
【说明】可开具正规报销发票与盖章通知；会务由北京中科纬来智能科技有限公司承办，负责收费与发票开具，可提供会议费发票及邀请函；
9.
报名通道