盡管長時(shí)儲(chǔ)能前景廣闊，但其產(chǎn)業(yè)化進(jìn)程仍面臨技術(shù)成熟度、經(jīng)濟(jì)性與安全性的多重挑戰(zhàn)。行業(yè)內(nèi)普遍認(rèn)為，當(dāng)前4小時(shí)及以上儲(chǔ)能產(chǎn)品的供給與需求存在“場景錯(cuò)位”問題，技術(shù)迭代與成本優(yōu)化亟待取得突破。
挑戰(zhàn)一：專用技術(shù)匱乏，產(chǎn)品與需求不匹配。如今，市場上主流的儲(chǔ)能電芯仍以2小時(shí)產(chǎn)品（如314Ah）為主，難以滿足長時(shí)儲(chǔ)能的經(jīng)濟(jì)性與可靠性需求。
挑戰(zhàn)二：經(jīng)濟(jì)性瓶頸凸顯，全生命周期成本居高不下。長時(shí)儲(chǔ)能的核心矛盾在于如何平衡“時(shí)長延長”與“成本控制”。當(dāng)前儲(chǔ)能項(xiàng)目難以通過簡單的套利或價(jià)格政策支持實(shí)現(xiàn)良好應(yīng)用，商業(yè)模式仍在探索階段。
儲(chǔ)能的經(jīng)濟(jì)性推動(dòng)儲(chǔ)能的全面市場化是新能源的未來。海辰儲(chǔ)能將持續(xù)通過技術(shù)創(chuàng)新實(shí)現(xiàn)極致降本。未來5年內(nèi)，推動(dòng)儲(chǔ)能度電存儲(chǔ)成本（LCOS）進(jìn)入“1毛錢時(shí)代”。儲(chǔ)能，不僅要實(shí)現(xiàn)“與風(fēng)光同壽”，更要實(shí)現(xiàn)“與風(fēng)光同價(jià)”。為此，海辰儲(chǔ)能將沿著布局高安全、長壽命、高能效的超大尺寸電芯；打造高安全、高集成、高效率的儲(chǔ)能系統(tǒng)；推進(jìn)極限智能制造；落地一體化解決方案這四大領(lǐng)域持續(xù)攻堅(jiān)。
挑戰(zhàn)三：安全風(fēng)險(xiǎn)升級(jí)，長時(shí)儲(chǔ)能系統(tǒng)級(jí)防護(hù)體系亟需完善。電芯容量的增大與儲(chǔ)能時(shí)長的延長，對(duì)安全防護(hù)提出了更為嚴(yán)苛的要求。
為促進(jìn)科研人員、工程師及產(chǎn)業(yè)界人士對(duì)智能算法在電池管理領(lǐng)域應(yīng)用技術(shù)的掌握，也為助力企業(yè)應(yīng)對(duì)新國標(biāo)、搶占下一代智能化BMS技術(shù)制高點(diǎn)的戰(zhàn)略支點(diǎn)。 特舉辦“機(jī)器學(xué)習(xí)驅(qū)動(dòng)的智能化電池管理技術(shù)與應(yīng)用”專題培訓(xùn)會(huì)議，本次培訓(xùn)會(huì)議主辦方為北京軟研國際信息技術(shù)研究院，承辦方互動(dòng)派（北京）教育科技有限公司，具體相關(guān)事宜通知如下：
專題一 (直播5天) | 機(jī)器學(xué)習(xí)驅(qū)動(dòng)的智能化電池管理技術(shù)與應(yīng)用 （詳情內(nèi)容點(diǎn)擊上方名稱查看） 2026年01月10日-01月11日 2026年01月17日-01月19日 | |
專題二 | COMSOL仿真與人工智能融合——鋰電池電化學(xué)仿真與優(yōu)化實(shí)戰(zhàn) （詳情內(nèi)容點(diǎn)擊上方名稱查看） | |
專題三 | 鋰離子電池力學(xué)耦合及相場法模擬技術(shù)與應(yīng)用 （詳情內(nèi)容點(diǎn)擊上方名稱查看） | |
專題四 | COMSOL鋰離子電池仿真技術(shù)與應(yīng)用 （詳情內(nèi)容點(diǎn)擊上方名稱查看） | |
專題五 | COMSOL燃料電池仿真技術(shù)與應(yīng)用 （詳情內(nèi)容點(diǎn)擊上方名稱查看） | |
專題六 | 智能計(jì)算模擬：第一性原理+分子動(dòng)力學(xué)+機(jī)器學(xué)習(xí) （詳情內(nèi)容點(diǎn)擊上方名稱查看） | |
培訓(xùn)對(duì)象
汽車工業(yè)、電力工業(yè)、自動(dòng)化技術(shù)、BMS算法開發(fā)、電池系統(tǒng)研發(fā)、新能源汽車工程、儲(chǔ)能系統(tǒng)管理、環(huán)境科學(xué)與資源利用、計(jì)算機(jī)軟件及應(yīng)用等專業(yè)和領(lǐng)域的科研人員、工程師、及相關(guān)行業(yè)從業(yè)者、跨領(lǐng)域研究人員。
講師介紹
智能化電池管理講師
由國家“雙一流”建設(shè)高校、“985工程”和“211工程”重點(diǎn)高校副教授/博導(dǎo)及其團(tuán)隊(duì)成員講授，長期從事動(dòng)力電池系統(tǒng)安全管理研究的理論和關(guān)鍵技術(shù)開發(fā)。在《eTransportation》、《Applied Energy》、《Energy》等JCR一區(qū)SCI期刊發(fā)表論文50余篇，其中十余篇先后入選“ESI全球高被引論文”。擔(dān)任多個(gè)期刊青年編委，擔(dān)任40余個(gè)SCI期刊的審稿人專家。
智能計(jì)算模擬講師
來自世界ESI排名前50的高校。授課講師有著豐富的分子動(dòng)力學(xué)與機(jī)器學(xué)習(xí)的使用經(jīng)驗(yàn)，在《Nature Comunications》、《ACS Applied Materials & Interfaces》 、《Journal of Colloid and Interface Science》 、《Chemistry of Materials》、《Energy Storage Materials》等國際頂級(jí)期刊發(fā)表論文五十篇。
擅長領(lǐng)域：使用高性能的通用型機(jī)器學(xué)習(xí)模型，深度解析并挖掘材料的結(jié)構(gòu)、熱力學(xué)和力學(xué)等物理屬性。
培訓(xùn)特色
智能化電池管理專題
1. 深度技術(shù)融合，聚焦前沿應(yīng)用：
☆ 核心特色在于將機(jī)器學(xué)習(xí)（ML）與人工智能（AI）技術(shù)（SVM, BP/CNN/LSTM, 遷移學(xué)習(xí)， SVR, KMeans, DBSCAN, LOF, 深度學(xué)習(xí)）深度、系統(tǒng)地應(yīng)用于電池管理（BMS）的核心痛點(diǎn)問題：SOC估計(jì)、SOH估計(jì)、剩余壽命預(yù)測（RUL）、熱失控預(yù)警。
☆ 覆蓋了從基礎(chǔ)原理到最新研究趨勢（如遷移學(xué)習(xí)、云端大數(shù)據(jù)分析、深度學(xué)習(xí)聯(lián)合預(yù)測）的應(yīng)用，體現(xiàn)了技術(shù)的前沿性和綜合性。
2. 理論與實(shí)踐高度結(jié)合，案例驅(qū)動(dòng)：
☆ 大量實(shí)例講解是最大亮點(diǎn)之一。課程在SOC、SOH、RUL、熱失控預(yù)警等每個(gè)核心應(yīng)用模塊后，都有具體的技術(shù)實(shí)例（如“基于支持向量機(jī)的SOC估計(jì)”、“基于深度學(xué)習(xí)的壽命預(yù)測方法”、“基于實(shí)車運(yùn)行大數(shù)據(jù)的電池SOH估計(jì)”、“基于深度學(xué)習(xí)的異常電芯檢測”等）。確保學(xué)員不僅能理解理論，更能直觀掌握實(shí)現(xiàn)路徑和評(píng)估方法。
☆ 內(nèi)容設(shè)計(jì)上強(qiáng)調(diào)“數(shù)據(jù)集-特征工程-模型構(gòu)建-訓(xùn)練優(yōu)化-驗(yàn)證評(píng)估”的完整技術(shù)鏈條，符合工程實(shí)踐邏輯。
3. 覆蓋電池管理全生命周期關(guān)鍵環(huán)節(jié)：
☆ 培訓(xùn)內(nèi)容系統(tǒng)性強(qiáng)，圍繞電池管理的核心任務(wù)展開：
狀態(tài)感知： SOC（多種ML方法）、SOH（單體/系統(tǒng)，不同工況）。
壽命管理： RUL預(yù)測（傳統(tǒng)ML/深度學(xué)習(xí)/聯(lián)合預(yù)測）、退化軌跡預(yù)測。
安全預(yù)警：熱失控/故障診斷（多種無監(jiān)督學(xué)習(xí)及深度學(xué)習(xí)方法）。
☆ 提供了從單體到系統(tǒng)、從實(shí)驗(yàn)室工況到實(shí)車動(dòng)態(tài)工況、從新電池到老化電池的全面視角。
4. 強(qiáng)調(diào)方法對(duì)比與場景適應(yīng)性：
☆ 在關(guān)鍵問題上（如SOC估計(jì)、SOH估計(jì)、故障檢測）不局限于單一方法，對(duì)比講解多種主流ML/AI技術(shù)（如SVM vs神經(jīng)網(wǎng)絡(luò)vs遷移學(xué)習(xí)；KMeans vs DBSCAN vs 深度學(xué)習(xí)等）
☆ 特別關(guān)注不同應(yīng)用場景：如SOH估計(jì)部分專門區(qū)分了“滿充滿放恒定工況”、“多階恒流/片段恒流工況”、“動(dòng)態(tài)放電工況”、“云端大數(shù)據(jù)”等不同場景下的方法，體現(xiàn)了技術(shù)選型與場景的強(qiáng)關(guān)聯(lián)性。
5. 結(jié)構(gòu)清晰，層次遞進(jìn)
☆ 課程從電池管理基礎(chǔ)和AI/ML基礎(chǔ)講起，確保學(xué)員具備必要的背景知識(shí)。
☆ 核心部分按應(yīng)用領(lǐng)域（SOC->SOH->RUL->安全） 組織，邏輯清晰。
☆ 在每個(gè)應(yīng)用領(lǐng)域內(nèi)，通常遵循 “概述->傳統(tǒng)/基礎(chǔ)方法->先進(jìn)/復(fù)雜方法（深度學(xué)習(xí)、遷移學(xué)習(xí)、聯(lián)合預(yù)測）->實(shí)例驗(yàn)證” 的遞進(jìn)結(jié)構(gòu)，便于學(xué)員逐步深入。
培訓(xùn)大綱
機(jī)器學(xué)習(xí)驅(qū)動(dòng)的智能化電池管理技術(shù)與應(yīng)用
目錄 | 主要內(nèi)容 |
電池管理技術(shù)概述 | 1. 電池的工作原理與關(guān)鍵性能指標(biāo) 2. 電池管理系統(tǒng)的核心功能 3. BMS的軟件開發(fā)要點(diǎn)：SOC估計(jì)、SOH估計(jì)、剩余壽命預(yù)測 |
人工智能機(jī)器學(xué)習(xí) 基礎(chǔ) | 1. 人工智能的發(fā)展 2. 機(jī)器學(xué)習(xí)的關(guān)鍵概念 3. 機(jī)器學(xué)習(xí)在電池管理中的應(yīng)用案例介紹 |
人工智能在電池荷電狀態(tài)估計(jì)中的應(yīng)用 | 1. 荷電狀態(tài)估計(jì)方法概述 2. 基于支持向量機(jī)的SOC估計(jì) （1）鋰電池測試及數(shù)據(jù)集 （2）基于SVM的估計(jì)框架 （3）模型驗(yàn)證和討論 3.基于神經(jīng)網(wǎng)絡(luò)的SOC估計(jì) （1）鋰電池?cái)?shù)據(jù)集 （2）基于BP/CNN/LSTM神經(jīng)網(wǎng)絡(luò)的估計(jì)框架 （3）不同輸入的對(duì)比分析 （4）不同工況/溫度的精度驗(yàn)證 3. 基于遷移學(xué)習(xí)的 SOC 估計(jì) （1）鋰電池測試及數(shù)據(jù)集 （2）基于深度遷移學(xué)習(xí)的SOC估計(jì) （3）多溫度下 SOC 估計(jì)驗(yàn)證 （4）多老化點(diǎn)下 SOC 估計(jì)驗(yàn)證 實(shí)例講解1：基于支持向量機(jī)的SOC估計(jì) 實(shí)例講解2：基于神經(jīng)網(wǎng)絡(luò)的SOC估計(jì) 實(shí)例講解3：基于遷移學(xué)習(xí)的SOC估計(jì)   |
人工智能在電池健康狀態(tài)估計(jì)中的應(yīng)用 | 1. 健康狀態(tài)估計(jì)方法概述 2. 人工智能技術(shù)在電池單體SOH預(yù)估中的應(yīng)用 （1）健康因子提取 （2）構(gòu)建人工智能模型 （3） 模型訓(xùn)練與超參數(shù)優(yōu)化 （4）電池系統(tǒng)健康狀態(tài) 3. 滿充滿放恒定工況下基于機(jī)器學(xué)習(xí)的電池SOH估計(jì) （1）健康因子提取 （2）健康因子相關(guān)性分析 （3）基于機(jī)器學(xué)習(xí)的電池SOH估計(jì) 4. 多階恒流/片段恒流工況下的 SOH 估計(jì)方法 （1） 鋰離子電池老化數(shù)據(jù)集 （2）SOH健康特征提取 ① 電池公開數(shù)據(jù)集老化試驗(yàn) ② 電池增量容量曲線提取 ③ 電壓序列構(gòu)建方法 ④ 電壓序列相關(guān)性分析 （3）健康特征提取 （4） 基于神經(jīng)網(wǎng)絡(luò)的電池SOH估計(jì)方法 5. 動(dòng)態(tài)放電工況下基于模型誤差譜的 SOH 估計(jì)方法 （1）方法基本原理及框架 （2）數(shù)據(jù)集及參數(shù)辨識(shí) （3）模型誤差面積提取 （4）老化特征及工況特征融合 （5）模型訓(xùn)練及驗(yàn)證 6. 基于云端大數(shù)據(jù)的電池SOH估計(jì) （1）數(shù)據(jù)預(yù)處理 （2）容量標(biāo)簽構(gòu)建 （3）容量估算框架 （4）多場景驗(yàn)證及測試 實(shí)例講解1：滿充滿放恒定工況下的電池SOH估計(jì)  實(shí)例講解2：多階恒流/片段恒流工況下的電池 SOH 估計(jì) 實(shí)例講解3：動(dòng)態(tài)放電工況下基于模型誤差譜的 SOH 估計(jì)   實(shí)例講解4：基于實(shí)車運(yùn)行大數(shù)據(jù)的電池 SOH 估計(jì)  |
人工智能在電池壽命預(yù)測和衰后性能預(yù)測中的應(yīng)用 | 1. 鋰離子電池狀態(tài)、軌跡及特性預(yù)測概述 2. 基于傳統(tǒng)機(jī)器學(xué)習(xí)SVR的電池剩余壽命預(yù)測 （1）數(shù)據(jù)集介紹 （2）特征提取及估計(jì)框架 （3）方法驗(yàn)證及討論 3. 基于深度學(xué)習(xí)的電池RUL聯(lián)合預(yù)測方法 （1）電池?cái)?shù)據(jù)集介紹 （2）特征提取及估計(jì)框架 （3）方法驗(yàn)證及討論 4. 基于機(jī)器學(xué)習(xí)的電池SOH和RUL聯(lián)合預(yù)測方法 （1）數(shù)據(jù)集介紹 （2）研究框架和方法 （3）結(jié)果分析與驗(yàn)證 5. 基于數(shù)據(jù)驅(qū)動(dòng)的電池衰退軌跡預(yù)測方法 （1）數(shù)據(jù)集及數(shù)據(jù)預(yù)處理 （2）特征工程與退化敏感特征提取 （3）數(shù)據(jù)集構(gòu)建與劃分 （4）模型選擇與訓(xùn)練 （5）軌跡預(yù)測與評(píng)估優(yōu)化 實(shí)例講解1：基于支持向量回歸的壽命預(yù)測方法 實(shí)例講解2：基于深度學(xué)習(xí)的壽命預(yù)測方法 實(shí)例講解3：基于機(jī)器學(xué)習(xí)的健康狀態(tài)及壽命聯(lián)合預(yù)測方法 實(shí)例講解4：基于深度學(xué)習(xí)的電池衰退軌跡預(yù)測方法      |
人工智能在電池?zé)崾Э仡A(yù)警中的應(yīng)用 | 1. 電池?zé)崾Э仡A(yù)警方法概述 2. 算法數(shù)據(jù)集介紹:電池故障數(shù)據(jù)來源 3. 基于無監(jiān)督聚類算法（KMeans）的電池現(xiàn)實(shí)故障檢測方法 （1）KMeans聚類方法 （2）基于聚類方法的檢測框架 （3）檢測結(jié)果集討論 4. 基于無監(jiān)督聚類算法（DBSCAN）的電池現(xiàn)實(shí)故障檢測方法 （1）DBSCAN聚類方法 （2）基于聚類方法的檢測框架 （3）檢測結(jié)果集討論 5. 基于局部離群因子的電池系統(tǒng)故障智能診斷方法 （1）LOF 算法核心原理 （2）特征選擇及邏輯判斷準(zhǔn)則 （3）結(jié)果分析及驗(yàn)證 6. 基于深度學(xué)習(xí)的電池系統(tǒng)智能故障診斷方法 （1）神經(jīng)網(wǎng)絡(luò)診斷框架 （2）結(jié)果分析及驗(yàn)證 實(shí)例講解1：基于KMeans的異常電芯檢測 實(shí)例講解2：基于DBSCAN的異常電芯檢測 實(shí)例講解3：基于LOF的異常電芯檢測 實(shí)例講解4：基于深度學(xué)習(xí)的異常電芯檢測     |
智能計(jì)算模擬：第一性原理+分子動(dòng)力學(xué)+機(jī)器學(xué)習(xí) | |
第一部分 DFT+MD+ML基礎(chǔ) | 1. 理論內(nèi)容 1.1. 計(jì)算模擬發(fā)展：MD, MC, DFT三大部分 1.2. 人工智能時(shí)代背景：大數(shù)據(jù)與大模型對(duì)模擬計(jì)算的影響 1.3. 人工智能加入給傳統(tǒng)模擬計(jì)算帶來的哪些變化？ ① 模型建構(gòu)的新趨勢 ② 力場開發(fā)中的機(jī)器學(xué)習(xí)應(yīng)用 ③ AI在模擬過程優(yōu)化與加速中的作用 ④ 數(shù)據(jù)后處理技術(shù)的發(fā)展與智能化 1.4. 統(tǒng)計(jì)物理基本理論（系綜、邊界條件、溫度的定義、控溫與熱浴等） 2. 實(shí)例操作 2.1. 軟件環(huán)境搭建與安裝：conda配置虛擬環(huán)境，安裝GPUMD、LAMMPS、ASE、 Phono3PY、PyNEP、 OVITO、VMD、ATOMSK等軟件 2.2. 力場參數(shù)生成與MD模擬操作：綜合使用MS軟件+MSI2LMP快速生成任意有機(jī)分子的PCFF/CVFF力場參數(shù)文件，并使用LAMMPS軟件執(zhí)行分子動(dòng)力學(xué)模擬 2.3. MS軟件的基本介紹與LAMMPS結(jié)合使用 a. MSI2LMP與PCFF/CVFF力場的簡介 b. LAMMPS入門與經(jīng)驗(yàn)勢使用 c. 簡單的分子動(dòng)力學(xué)計(jì)算 2.4. 高精度量化數(shù)據(jù)集獲取與機(jī)器學(xué)習(xí)融入MD模擬 a. VASP計(jì)算靜態(tài)與AIMD的參數(shù)設(shè)置 b. 簡單的力場計(jì)算實(shí)踐、LAMMPS的基本使用（機(jī)器學(xué)習(xí)勢） c. LAMMPS與機(jī)器學(xué)習(xí)勢函數(shù)結(jié)合的MD模擬 d. 機(jī)器學(xué)習(xí)模型的加載和使用要點(diǎn) 2.5. 數(shù)據(jù)后處理技術(shù)與可視化分析 a. 使用OVITOs的相關(guān)代碼分析處理數(shù)據(jù)，包括AIMD和機(jī)器學(xué)習(xí)分子模擬的RDF, MSD, 擴(kuò)散系數(shù)以及鍵角和二面角的分布情況 b. OVITO軟件的基本使用 c. 鍵角和二面角分布的統(tǒng)計(jì)與繪圖實(shí)現(xiàn)，以及python畫圖和origin畫圖的雙示例 |
第二部分 機(jī)器學(xué)習(xí)力場學(xué)習(xí)與實(shí)踐 | 1. 理論內(nèi)容 1.1. 機(jī)器學(xué)習(xí)力場的重要工作 1.2. 機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)核心原理和訓(xùn)練過程 1.3. 機(jī)器學(xué)習(xí)力場構(gòu)建流程、應(yīng)用與優(yōu)勢 1.4. 圖神經(jīng)網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò) a. GNN/GCN概述、SchNet模型特點(diǎn)與實(shí)現(xiàn) b. 消息傳遞神經(jīng)網(wǎng)絡(luò)框架 c. GAP、MTP、ACE、DP、NEP模型深入探討與對(duì)比 1.5. DeePMD在國內(nèi)的研究與應(yīng)用現(xiàn)狀 1.6. 高性能機(jī)器學(xué)習(xí)力場模型介紹 1.7. NEP+GPUMD系列研究解讀 2. 實(shí)例操作（NEP+GPUMD集成實(shí)戰(zhàn)：全流程模型構(gòu)建與模擬） 2.1. 數(shù)據(jù)格式轉(zhuǎn)換與數(shù)據(jù)集構(gòu)建：使用公開代碼工具轉(zhuǎn)化數(shù)據(jù)格式，并生成訓(xùn)練，驗(yàn)證和測試數(shù)據(jù)集 2.2. NEP模型超參數(shù)設(shè)定與理解 2.3. NEP模型全流程操作：安裝、準(zhǔn)備數(shù)據(jù)集、訓(xùn)練、驗(yàn)證和測試 2.4. 使用LAMMPS和GPUMD模型執(zhí)行高精度、高效率、大規(guī)模分子動(dòng)力學(xué)模擬 2.5. 機(jī)器學(xué)習(xí)力場驅(qū)動(dòng)的模擬數(shù)據(jù)后處理與分析 |
第三部分 機(jī)器學(xué)習(xí)力場等變模型系列及領(lǐng)域熱點(diǎn) | 1. 理論內(nèi)容 1.1. MACE模型：融合ACE、消息傳遞與等變性的創(chuàng)新 1.2. 方法的完備性，效率和系列演進(jìn) 1.3. 適用于大規(guī)模GPU并行框架的NEP模型 1.4. 主流機(jī)器學(xué)習(xí)力場模型的詳析與對(duì)比 2. 實(shí)例操作：（以石墨烯等二維材料為例，深度探究MACE及其他ML力場模型的實(shí)踐應(yīng)用） 2.1. NequIP或MACE模型超參數(shù)設(shè)置與實(shí)際應(yīng)用 2.2. 結(jié)合LAMMPS或ASE使用MACE模型構(gòu)建勢函數(shù) 2.3. MACE與DeePMD、NEP的精度、數(shù)據(jù)效率對(duì)比 2.4. 計(jì)算RDF、MSD、擴(kuò)散系數(shù)等物性并重現(xiàn)文獻(xiàn)結(jié)果 2.5. 構(gòu)建及對(duì)比DP、NEP、ACE等多種ML力場模型 |
第四部分 數(shù)據(jù)收集方法與應(yīng)用 | 1. 理論部分 1.1. 公開數(shù)據(jù)集資源 1.2. 數(shù)據(jù)增強(qiáng)技術(shù) a. 主動(dòng)學(xué)習(xí)技術(shù) b. AIMD+微擾等數(shù)據(jù)集擴(kuò)充手段 c. 數(shù)據(jù)集數(shù)據(jù)集精簡與篩選策略 d. 模型微調(diào)技術(shù) 2. 實(shí)例操作：(主動(dòng)學(xué)習(xí)與模型微調(diào)在計(jì)算模擬中的實(shí)踐--液態(tài)水、SiO2、MOF的完全演示案例) 2.1. ASE環(huán)境下主動(dòng)學(xué)習(xí)實(shí)現(xiàn)與代碼解析 2.2. 多GPU并行或單GPU多任務(wù)并行與資源優(yōu)化 2.3. 自主設(shè)計(jì)主動(dòng)學(xué)習(xí)方案 2.4. 預(yù)訓(xùn)練模型微調(diào)實(shí)踐 2.5. 微調(diào)與從頭訓(xùn)練效果對(duì)比 2.6. 不同模型（如金屬、團(tuán)簇、孿晶結(jié)構(gòu)、多晶石墨烯）的構(gòu)建實(shí)例 S. 其他備選內(nèi)容 S1. 其他機(jī)器學(xué)習(xí)內(nèi)容拓展應(yīng)用，DNN、DT、XGBoost在計(jì)算模擬領(lǐng)域的應(yīng)用，以多晶石墨烯為例 S2. PFC相場方法建立多晶石墨烯、石墨烯晶界描述符的選取、深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練（與其他機(jī)器學(xué)習(xí)方法對(duì)比）、預(yù)測 S3. VMD與OVITO等輸出高質(zhì)量的分子結(jié)構(gòu)視覺化效果 |
部分案例圖展示：
報(bào)名須知
時(shí)間地點(diǎn)
機(jī)器學(xué)習(xí)驅(qū)動(dòng)的智能化電池管理技術(shù)與應(yīng)用
2026年1月10日-1月11日
2026年1月17日-1月19日
在線直播（授課5天）
報(bào)名費(fèi)用
1、凡報(bào)名學(xué)員將獲得本次培訓(xùn)課件及案例模型文件；
2、培訓(xùn)結(jié)束可獲得所學(xué)專題課程全程回放視頻；
3、價(jià)格優(yōu)惠：
優(yōu)惠一：2026年12月31日前報(bào)名繳費(fèi)可享受200元早鳥價(jià)優(yōu)惠；
優(yōu)惠二：參加過我單位舉辦的其它課程的老學(xué)員，可享受額外200元優(yōu)惠；
4、參加培訓(xùn)并通過考試的學(xué)員，可以獲得：北京軟研國際信息技術(shù)研究院培訓(xùn)中心頒發(fā)的專業(yè)技能結(jié)業(yè)證書。
報(bào)名費(fèi)用
（含報(bào)名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)）
機(jī)器學(xué)習(xí)驅(qū)動(dòng)的智能化電池管理技術(shù)與應(yīng)用：￥4900 元/人
【注】費(fèi)用提供用于報(bào)銷的正規(guī)機(jī)打發(fā)票及蓋有公章的紙質(zhì)通知文件；北京中科緯來智能科技有限公司作為本次會(huì)議會(huì)務(wù)合作單位，負(fù)責(zé)注冊費(fèi)用收取和開具發(fā)票，可開具會(huì)議費(fèi)發(fā)票和發(fā)送會(huì)議邀請函；
聯(lián)系方式
