دوره طراحی فیلدهای نیروی انتقال‌پذیر با یادگیری ماشین از صفر تا پروژه عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی فیلدهای نیروی انتقال‌پذیر با یادگیری ماشین از صفر تا پروژه عملی

موضوع کلی: شیمی محاسباتی و یادگیری ماشین

موضوع میانی: فیلدهای نیروی قابل انتقال با یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شیمی محاسباتی و شبیه‌سازی مولکولی
• 2. نیروهای بین‌اتمی و پتانسیل‌های کلاسیک
• 3. مقدمه‌ای بر یادگیری ماشین
• 4. ریاضیات لازم: جبر خطی و حساب دیفرانسیل
• 5. Python برای محاسبات علمی
• 6. NumPy و Pandas در پردازش دادهٔ مولکولی
• 7. اصول دینامیک مولکولی
• 8. انواع فیلدهای نیرو: all-atom، coarse-grained
• 9. محدودیت‌های فیلدهای نیروی سنتی
• 10. مفهوم انتقال‌پذیری در فیلدهای نیرو
• 11. آموزش روی داده‌های DFT و ab initio
• 12. توصیف‌دهنده‌های مولکولی
• 13. توابع تقارن و نمایش‌دهی جبران‌ناپذیر
• 14. SOAP: Smooth Overlap of Atomic Positions
• 15. ACP: Atomic Cluster Expansion
• 16. شبکه‌های عصبی پیش‌پردازش‌شده
• 17. GNN: گراف‌های عصبی برای مولکول‌ها
• 18. تابع هزینه و بهینه‌سازی در یادگیری فیلد نیرو
• 19. روش‌های گرادیانی و آموزش اندک‌نمونه
• 20. اعتبارسنجی متقاطع و تعمیم‌پذیری
• 21. پارامترسازی خودکار با Bayesian Optimization
• 22. دیتاست‌های استاندارد: QM9, MD17, OMDB
• 23. نرم‌افزار ASE: Atomic Simulation Environment
• 24. اتصال ML به LAMMPS و GROMACS
• 25. PyTorch برای شبیه‌سازی فیزیکی
• 26. TensorFlow و JAX در محاسبات علمی
• 27. پیش‌پردازش داده‌های کوانتومی مکانیکی
• 28. ساخت مجموعه دادهٔ آموزشی از اول
• 29. استخراج هندسی و ویژگی‌های ساختاری
• 30. نرمال‌سازی و پیش‌پردازش داده‌ها
• 31. مدل‌های پایه‌ای: GAP, SNAP
• 32. NNP: Neural Network Potentials
• 33. DeepMD و Deep Potential
• 34. SchNet: فیلد نیرو مبتنی بر شبکه
• 35. PhysNet و PaiNN
• 36. Equivariant Neural Networks
• 37. Message Passing Neural Networks برای اتم‌ها
• 38. تبدیل‌های انطباقی فضای مشخصه
• 39. حداقل‌سازی انرژی و بهینه‌سازی هندسی
• 40. پیش‌بینی نیرو و استرس تنسوری
• 41. شبیه‌سازی دینامیک مولکولی با ML-پتانسیل
• 42. مقایسه سرعت و دقت ML vs Classical FF
• 43. مقیاس‌بندی و موازی‌سازی شبیه‌سازی‌ها
• 44. کوانتومی-کلاسیک ترکیبی (QM/MM با ML)
• 45. کاتالیز و سطح واکنش
• 46. مواد پلیمری و نانوساختارها
• 47. شبیه‌سازی حلال و محیط‌های ترکیبی
• 48. پیش‌بینی خواص ترموفیزیکی
• 49. مدل‌سازی سطح انرژی potential energy surface
• 50. واسطه‌ها و مسیرهای واکنش
• 51. چسبندگی، سطحی و خواص مکانیکی
• 52. فازهای مختلف و ترکیب‌های بین‌فازی
• 53. یون‌ها و الکترولیت‌ها در باتری‌ها
• 54. شبیه‌سازی پروتئین‌ها و دارویی‌ها
• 55. بایندینگ انرژی و ترکیب لیگاند
• 56. تفسیر مدل: SHAP، توجه به ویژگی‌ها
• 57. عدم قطعیت و کالیبراسیون پیش‌بینی
• 58. فعال‌سازی آزمایشگاهی (Active Learning)
• 59. Transfer Learning بین مولکول‌ها و مواد
• 60. Few-shot و zero-shot learning در فیلدهای نیرو
• 61. استانداردسازی و بازتولیدپذیری
• 62. اخلاق علم داده و دسترسی باز
• 63. ابزارهای متن‌باز: ASE, DeepMD-kit, SchNetPack
• 64. اشتباهات راید و راهکارها
• 65. دیباگ مدل‌های ML-پتانسیل
• 66. مستندسازی و اشتراک‌گذاری مدل
• 67. پروژهٔ عملی: طراحی فیلد نیرو برای مولکول هدف
• 68. ارزیابی نهایی: خطای ریشه‌میانگین و MAE