讲座简介：
AI技术的引入为材料的设计、优化与性能提升提供了新的途径。人工智能辅助新材料设计的主要流程，包括晶体构效关系构建、有效的晶体表征学习、晶体结构生成与筛选与器件结构的优化设计等核心要素。在晶体生成方面，通过AI辅助新材料预测与多级过滤框架，能够快速筛选出具有潜力的晶体结构，还可逆向设计方法，优化材料的性能，从而加速了材料的研发周期。近期，我们通过基于 Transformer 的原子嵌入模型(ct-UAE)和基于向量量化的晶体结构生成模型 (VQCrystal)，构建了一个集高效结构生成、性质预测与逆向设计于一体的深度学习平台。在数据稀缺任务钙钛矿形成能预测中，ct-UAE+MEGNET模型的预测精度提升了34%。该方法利用强大的知识迁移能力在数据稀缺任务中取得了良好泛化性能，解决了传统方法在小数据集上的应用瓶颈。在器件优化方面，我们通过分析钙钛矿光伏器件的关键参数（如带隙、器件组成部分能级差等），揭示了材料性能与器件效率之间的关系。AI技术显著提高了新材料发现的效率，为解决能源、环境等领域的挑战提供新的思路。
主讲人：张浩
主讲人简介：
张浩，复旦大学未来信息创新学院副教授。2006年于复旦大学获得光学博士学位。2009-2010德国Konstanz大学物理系访问学者，2016-2017美国能源部埃姆斯实验室访问学者，2024-2025美国罗格斯大学工学院访问学者。长期从事量子材料与能源材料的物性高通量计算与新颖物性研究、人工智能在材料预测与光子学应用、非厄米系统及实现等方面研究。在Nat. Commun., Adv. Mater., Light等SCI期刊上发表论文140多篇，论文引用5300余次（google数据），H指数39，ESI高被引论文4篇。承担863子课题、国家重点研发子课题、国自然面上项目、上海市科委自科等省部级项目，获得2016年教育部科技进步二等奖。
讲座时间：9月27日 13:30
讲座地点：复旦大学江湾校区教学楼JA202