针对新工科背景下产业对高端技术人才在信息化、智能化技术应用方面的培养需求，结合当前材料科学与人工智能技术交叉融合的近期新发展趋势，并融入编者对材料智能设计与制造领域教学与科研的实践经验编写而成。

本书属于教育部战略性新兴领域“十四五”高等教育系列教材，针对新工科背景下产业对高端技术人才在信息化、智能化技术应用方面的培养需求，结合当前材料科学与人工智能技术交叉融合的近期新发展趋势，并融入编者对材料智能设计与制造领域教学与科研的实践经验编写而成。本书共6章，系统阐述了材料智能设计与制造的基本原理、关键方法以及实际应用案例。本书内容包括第一性原理计算及材料数据库、材料的机器学习建模方法、材料智能设计与优化方法、基于高通量实验的材料筛选方法、材料智能设计与制造的前沿应用案例和材料智能设计与制造的发展趋势。

前言
绪论1
第1章第一性原理计算及材料
数据库3
11第一性原理计算3
111多体薛定谔方程3
112从头算方法4
113密度泛函理论基础6
114科恩沈方程求解8
12高通量计算11
121电子结构计算12
122原子尺度计算13
13材料数据库与大数据技术15
131材料数据库概述16
132材料大数据技术18
14复习思考题23
第2章材料的机器学习建模方法24
21机器学习在材料领域的应用需求24
22机器学习建模流程25
23常用机器学习算法29
231线性回归29
232决策树30
233支持向量机31
234高斯过程回归31
235神经网络32
236卷积神经网络32
237循环神经网络33
238长短期记忆网络34
239决策树梯度提升35
24机器学习指导材料设计与制造35
25复习思考题38
第3章材料智能设计与优化方法39
31贝叶斯条件概率及应用39
311贝叶斯理论基础39
312贝叶斯参数提取方法40
313物理模型参数提取42
32基于贝叶斯优化的自主实验方法44
321贝叶斯优化方法基础44
322贝叶斯自主实验应用案例47
323贝叶斯优化设计自主实验的
实践50
33材料成分及特征的生成模型设计52
331生成模型逆向设计方法52
332有机分子材料的生成模型55
333无机晶体材料的生成模型58
34复习思考题60
第4章基于高通量实验的材料筛选
方法61
41高通量实验的材料制备方法61
411高通量实验的发展概述62
412高通量实验的基本特征63
413主要的高通量实验方法63
42高通量表征方法及代理参数的优化70
421高通量微区表征70
422代理参数的优化74
43基于自动机器人的高通量实验75
431自动机器人概述75
432基于自动机器人的高通量实验
案例76
433高通量实验的发展趋势81
44复习思考题81
第5章材料智能设计与制造的前沿
应用案例82
51人工智能在高熵合金设计中的应用82
511高熵合金的相结构预测82
512高熵合金的力学性能优化87
52人工智能在功能陶瓷材料设计中的
应用94
521纯数据驱动的功能陶瓷设计94
522数理结合的功能陶瓷设计102
53人工智能在新能源材料与器件中的
应用112
531人工智能结合钙钛矿光伏器件
材料筛选112
532人工智能结合储能电池材料
筛选119
54复习思考题124
第6章材料智能设计与制造的发展
趋势125
61人工智能在材料数据库构建方面的
发展趋势125
611材料数据库构建的机遇与挑战125
612基于人工智能的材料数据库构建
前沿125
613大语言模型在材料数据获取
过程中的挑战128
62人工智能在获取组分工艺性能
关系中的进展129
621通用大语言模型的微调功能降低了
机器学习建模的使用门槛130
622通用大语言模型的多任务学习能力
减少了对大数据量的需求130
63大语言模型在材料领域的应用前景131
64复习思考题132
参考文献133