一、基础概述与核心方
法论
AI 在聚合物及复合材料领域的理论基础和应用概述
传统机器学习，深度学习和生成式 AI 方法概述
AI for 聚合物（及复合材料）研究的核心问题（聚合物多层次结构表示、性
能预测、结构设计等）
聚合物研究的 AI 方法论框架
数据驱动与机理驱动的协同（第一性原理到领域知识）
聚合物智能创制研究全流程：从数据到模型，从预测到设计
二、数据与特征工程
学术数据资源与获取
常见数据库：Material Project、Polymer Genome、Polylnfo 等
聚合物公开 benchmark 和 Kaggle 数据集
数据预处理与质量优化
均聚物数据集清洗、去噪、标准化 (实践)
使用清洗后的数据进行可视化：小提琴图、PCA、T-SNE、UMAP
等 (实践)
聚合物复合材料数据收集与预处理 (实践)
特征工程
结构表示与编码（如分子指纹、链结构特征、3D 结构特征、神经网
络指纹）
特征选择方法（过滤法、包装法、递归消除法等）(实践)
物理机理指导的特征选取（聚合物链结构带来的空间位阻、氢键描述
符等）
均聚物性能研究（如耐热性、力学性能、介电性能、透气性/阻燃性
等）(实践)
数据集规模与质量对模型的影响(Scalling laws in polymers) (实践)
三、模型体系（从基础
到前沿）
传统机器学习模型及应用
基础模型：SVR、决策树、随机森林、感知机、XGBoost、LGBM、
AdaBoost 等，模型评估策略：MAE、RMSE、R²、Accuracy、F1
等
应用场景：复合材料力学性能预测（如应力应变曲线）(实践)
深度学习模型
深度学习模型训练与部署：Tensorflow/PyTorch、Gradio 等 (实践)
深度神经网络（DNN）与参数更新、卷积神经网络（CNN）、图神
经网络（GNN）在聚合物中的应用 (实践)
（聚合物）材料基因工程中的高通量计算与模型概述及入门（MatterSim、
DeepMD、RadonPy、SMiPoly 等)
生成式 AI 与大语言模型
大模型训练与部署：Langchain、HuggingFace 等 (实践)
（聚合物）分子生成模型：VAE、GAN、Diffusion 等 (实践)
大语言模型（LLM）：GPT、BERT、T5、DeepSeek 等架构与应用 (实
践)
四、性能预测与材料设
计
正向性能预测
机器学习预测聚氨酯复合材料应力应变曲线 (实践)
机器学习预测 PI 复材力学性能 (实践)
可解释性分析：特征重要性分析、SHAP 值的应用 (实践)
逆向设计与智能筛选
生成式 AI 驱动的全空间聚合物材料生成 (实践)
高通量筛选工作流：从结构生成到性质预测的聚合物批量筛选 (实
践)
五、前沿 AI 方法在聚
合物领域实践案例与
科研指导
聚合物表示学习性能探索（描述符、分子图、SMILES、BigSMILES、
SELFIES 等）(实践)
聚合物领域知识出发的对比学习，主动学习和强化学习框架实现 (实
践)
聚合物生成式模型与大语言模型实践（如 polyBERT、Transpolymer
预测聚合物性能）(实践)