射频AI称王!真心建议所有做射频器件的研究者都去学一遍!之后将成为常态!!!

传统方法中求解区域乃至整机尺度的电磁场分布与系统电磁兼容性能，往往是从“分立”的样机测试和暗室扫频测量起步的，须历经漫长的网格剖分与迭代求解过程。此处的“分立”并非工程师的测试布点毫无章法，实则源于物理约束的掣肘，无异于“以点代面”。计算复杂度与仿真精度的固有矛盾，使得该范式对复杂电磁环境下的系统响应评估充斥大量不可靠因素。

而AI基础模型（AI Foundation Models）的登场，则从根本上重塑了既有流程，引领其向全局智算跃升。基础模型通过对海量多源异构数据（如几何构型参数、材料本构特性、激励源分布、边界条件设置、环境杂散干扰及实测反馈信息）的自主化表征学习，能够建立覆盖数万种工况组合的高保真电磁响应代理模型，不再是依赖稀疏频点的插值外推，而是直接映射那些“场路耦合最剧烈”区域的电磁行为演化。更进一步，基础模型拥有杰出的多模态融合与长程依赖捕获本领，例如在车载雷达天线阵列或高频高速PCB设计中，它能同步解译结构形变效应、介质损耗机理、温升-散热耦合、串扰抑制策略与布局布线规则之间的级联作用，进而精准锁定核心敏感参数与最优设计方案。

参会对象

高校师生：涉及电磁场与微波技术、电子科学与技术、通信工程、自动化控制、集成电路设计、计算电磁学、智能信息处理等相关专业的教师、博硕研究生及高年级本科生。

科研人员：从事计算电磁学算法开发、电磁兼容性分析与预测、天线与传播建模、雷达目标特性识别、多物理场耦合仿真等领域的研究人员。

企业技术与管理人员：来自通信设备制造商（如华为、中兴、爱立信）、汽车电子与自动驾驶方案商、航空航天与国防电子企业、高速电路设计服务商、EDA软件工具开发机构、电磁兼容检测认证机构的的技术研发与项目管理人员。

针对性痛点与专题价值

倘若您是正处学术攻坚期的硕博研究生，正面临SCI选题新颖性不足、传统全波仿真软件计算资源消耗过大、电大尺寸问题求解效率低下、多尺度-多激励耦合效应难以精确量化的窘境——那么，本课程正是为您量身打造的解局利器！人工智能驱动电磁仿真与工程应用已成为IEEE Transactions on Antennas and Propagation、IEEE Transactions on Microwave Theory and Techniques、IEEE Transactions on Electromagnetic Compatibility、Computer Methods in Applied Mechanics and Engineering、Nature Electronics等顶刊重点收录的前沿方向（近五年涉及代理模型构建、电磁逆问题求解、智能优化布线布局的论文呈井喷式增长）。贯通AI与计算电磁学的交叉研究范式，不仅能助您高效整合几何建模、材料参数与实测校准数据，搭建高可信度电磁响应预测与灵敏度分析一体化平台，更能大幅提升论文创新性与审稿接纳率，为毕业答辩、博士后申请、跻身国际顶尖电磁研究团队与头部通信/半导体/汽车电子企业（如华为2012实验室、中兴微电子、比亚迪电子、上海微电子、概伦电子、芯和半导体、瑞声科技等）铸就极具分量的竞争筹码。

2026热门专题

专题一：人工智能传热仿真及实战专题

专题二：人工智能电磁仿真与设计实战专题

专题一：人工智能电磁仿真与设计实战专题专题

学习目标：

课程通过实操验证AI模型与传统方法的效率对比，激发学员在电磁通信、电磁无线信号、射频技术、天线设计、雷达、量子计算和能源领域的创新思维，为电磁材料设计与仿真的智能化、工程化发展提供前沿指导。此次五天培训课程旨在通过系统化的理论讲解、40+源代码项目实操和工程案例分析，培养学员在电磁材料设计与仿真领域应用人工智能（AI）技术的综合能力，聚焦深度学习和前沿大模型在电磁材料（如超材料、电磁晶体、磁性材料）设计中的创新应用，覆盖通信、无线信号、射频、天线、雷达、量子计算、能源等领域。

课程基于PyTorch、TensorFlow、仿真等工具，通过前沿文献，系统教授：

讲师介绍

人工智能助力电磁仿真设计与工程应用专题主讲老师：毕业于国内顶尖985高校，拥有两年海外研究经历，专注于人工智能（AI）与电磁材料设计的深度融合，研究领域横跨机器学习、电磁场预测、多尺度建模和智能优化。

老师学术成果卓著，长期致力于AI在超材料光谱预测、物理信息神经网络电磁仿真、生成对抗网络逆向设计和大模型应用中的创新。作为核心研究者，老师参与多项国家重点科研项目，研究影响力辐射国际学术圈，在著名平台发表多篇高水平论文，涵盖AI驱动的电磁材料优化，并在国际学术会议上频频受邀作报告，分享大模型与多尺度设计的洞见。在教学方面，老师以"理论扎实、实践导向"为原则，通过40+独家源代码项目、顶级论文和预配置数据集，结合Python、PyTorch、TensorFlow、仿真软件等工具，打造沉浸式学习体验。课程紧密贴合通信、雷达、量子计算、能源等高需求行业，助力学员快速掌握AI与电磁材料设计的交叉技术，产出可直接应用于工程的成果，开启职业与研究新篇章。

专题二：人工智能传热仿真及实战专题

学习目标：

培养精通传热学理论与人工智能技术的交叉复合型人才。学员将系统掌握传热学基本理论与数值方法，熟练运用传统机器学习（RF、XGBoost、CatBoost、SVM）与深度学习（CNN、LSTM、Transformer、物理信息神经网络）解决传热仿真与热设计中的实际问题，并能够创新性地设计实现高精度温度场预测模型、快速代理模型与多目标热优化系统。

课程深入揭示AI技术在传热学中的显著优势——代理模型实现毫秒级温度场预测替代小时级CFD仿真、物理信息嵌入克服小样本数据瓶颈、端到端学习替代手工特征工程、多物理场统一建模突破单一物理场局限。追踪最新发展态势，包括神经算子学习实现分辨率无关预测、PINN求解声子玻尔兹曼方程突破微纳传热瓶颈、AI+声学融合实现非侵入式沸腾诊断、以及多目标进化算法驱动的智能化热系统设计范式。

讲师介绍：

人工智能传热仿真及实战专题：主讲老师来自国内顶尖985高校，研究方向涵盖传热学与人工智能在工程热物理中的交叉应用。在机器学习基础方面，精通监督学习（随机森林、XGBoost、支持向量机）、深度学习（CNN、LSTM、Transformer）以及物理信息神经网络（PINN），能够将前沿AI算法系统性地应用于传热仿真与热设计问题。在CFD/FEM数值仿真方面，熟练掌握OpenFOAM、FEniCS、MATLAB PDE工具箱等主流平台，具备从模型建立、网格划分到求解器开发的完整数值仿真能力。在智能优化与诊断方面，深入研究基于NSGA-II等进化算法的多目标优化框架，以及状态空间机器学习、声学深度学习等智能诊断技术。

近年来，主讲老师在AI+传热学交叉领域持续深耕，在物理信息神经网络求解传热控制方程、深度学习代理模型加速温度场预测、机器学习预测材料热导率、以及多目标进化算法驱动的热系统优化设计等方面取得了系列研究成果，相关论文发表在传热学领域权威期刊。长期致力于AI+工程热物理交叉学科的教学与科研创新。

专题大纲

专题一：人工智能驱动的电磁仿真与设计实战专题

第一天：深度学习基础与超材料电磁响应预测方法入门

1.1 上午：深度学习基础与核心架构

1.1.1 神经网络与深度学习基础（理论讲解+实操+代码演示）

深度学习通过多层神经网络从复杂数据中提取特征，是AI赋能电磁材料设计的核心技术。本模块系统讲解深度学习原理，为后续所有深度学习算法内容奠定基础。

基础概念讲解：

•从单层感知机到多层前馈神经网络的演进

•权重、偏置、激活函数（如ReLU、Sigmoid）的数学原理

•梯度下降数学原理与反向传播的优化过程（Adam、SGD算法）

本课程涉及的神经网络基础模型：

神经网络架构：实操环节使用PyTorch实现简单前馈神经网络处理电磁材料几何参数，预测介电常数。

1.1.2 卷积神经网络（CNN）原理（理论讲解+实操+代码演示）

CNN是处理电磁材料几何图像和电磁场数据的核心工具，广泛应用于后续所有章节。

CNN核心组件：

•卷积核、参数共享、感受野的概念

•3×3卷积核在几何特征提取中的高效性

•最大池化与ReLU激活函数在非线性建模中的作用

•批量归一化（BatchNorm）稳定训练

ResNet残差网络（第二天、第四天引用）：

•残差连接解决深层网络梯度消失问题

•SE块（Squeeze-and-Excitation）通道注意力机制增强关键特征

实战项目：超表面光谱响应预测深度学习

1、超表面光谱响应预测深度学习，内容：磁场Bz图像→磁化分布，特点：CNN逆问题求解、技术迁移到电磁领域

2、CNN手写数字识别入门，内容：图像分类基础，特点：深度学习入门、技术迁移到电磁领域

3、ResNet预训练图像分类，内容：迁移学习实验，特点：特征迁移、技术迁移到电磁领域

实操环节实现简单卷积运算，输入超材料几何图像，输出特征图，验证卷积对几何特征的提取能力。

1.1.3 循环神经网络与时序数据处理（理论讲解+实操+代码演示）

循环神经网络用于处理电磁时序信号，如瞬变电磁数据、传感器时序信号。

RNN/LSTM核心原理：

•时序数据到2D图像的变换方法（第一天、第二天引用）

•多任务学习框架（调制分类+信噪比估计）

实战项目：

1.时空多通道调制信号识别

方法：CNN+LSTM多通道

应用场景：11种调制信号分类

2.自动调制识别多模型对比基准

方法：多模型对比

应用场景：调制识别数据集

3.超轻量化调制分类网络

内容：精简CNN

应用场景：低复杂度实时识别

4.磁传感器信号分类系统

内容：LSTM+FCN

应用场景：传感器时序分类

5.瞬变电磁信号深度去噪网络

内容：信号→图像变换

应用场景：电磁信号去噪

1.1.4 注意力机制与Transformer（理论讲解+实操+代码演示）

注意力机制使神经网络能够聚焦关键特征，是现代深度学习的重要组成部分。

注意力机制类型：

•通道注意力（SE块）：特征图通道加权

•空间注意力：空间位置加权

•自注意力（Self-Attention）：全局依赖建模

•Transformer：多头自注意力机制

Transformer架构（第四天、第五天引用）：

实操环节使用SE块实现通道注意力，增强超材料图像的关键特征提取。

1.1.5 电磁材料建模与FDTD仿真（理论讲解+实操+代码演示）

电磁仿真为AI模型提供高质量训练数据，是电磁材料设计的基础。

数值方法基础：

•麦克斯韦方程与电磁波传播规律

•边界条件（周期边界、吸收边界）设置

•一维时域有限差分法（FDTD）离散化原理

•稳定性条件与数值色散

实战项目

1.维时域有限差分电磁仿真教学包

2.深度学习增强型FDTD可视化求解器

3.MATLAB射频天线雷达分析

实操环节模拟电磁波通过单层超材料的传播，计算反射(S11)和透射(S21)系数。

1.2 下午：编码器-解码器与电磁响应预测

1.2.1 编码器-解码器架构原理（理论讲解+实操+代码演示）

编码器-解码器是U-Net和差分神经网络的核心架构。

架构设计：

•编码器路径：特征压缩，空间分辨率降低，通道数增加

•解码器路径：特征重建，空间分辨率恢复

•跳跃连接：保留空间信息，防止梯度消失

U-Net架构（第二天、第四天引用）：

实战项目

1.U-Net图像修复入门

2.超表面光谱响应预测深度学习

3.可微分电磁仿真工具包

超表面光谱响应预测深度学习

实操环节使用PyTorch构建U-Net网络，输入超材料几何图像，预测电磁散射参数（S11/S21）。

1.2.2 自编码器与变分自编码器（理论讲解+实操+代码演示）

自编码器用于特征降维和潜空间参数化，是逆设计的关键技术。

潜空间优化（第四天逆设计引用）：

在潜空间随机采样或插值、梯度下降优化潜变量实现目标性能、解码器生成满足约束的新设计

1.2.3 生成对抗网络（GAN）入门（理论讲解+实操+代码演示）

GAN通过对抗训练生成高质量样本，是材料设计的重要工具。

GAN核心原理（第四天详细讲解）、条件GAN（cGAN）：实操环节理解GAN基本框架，为第四天实战做准备。

1.2.4 超材料光谱响应预测案例（理论讲解+实操+代码演示）

综合运用CNN和U-Net进行超材料光谱响应预测。

实战项目超表面光谱响应预测深度学习

实操环节训练深度学习模型预测超材料光谱响应，比较AI与传统FDTD仿真的效率与精度。

1.2.5 数据预处理与数据增强（理论讲解+实操+代码演示）

数据预处理是AI模型成功的关键。

预处理技术：几何图像二值化、电磁场数据归一化、PCA降维、数据增强（翻转、旋转、仿射变换）

信号转图像方法：蛇形排列（Scatter plot）、时频分析（STFT、小波变换）、复数数据处理（I/Q分离）

1.2.6 射频信号处理与自动调制分类（理论讲解+实操+代码演示）

自动调制分类（Automatic Modulation Classification, AMC）是认知无线电、频谱监测和电子对抗中的关键技术。传统方法依赖专家特征提取，而深度学习方法能够从原始信号中自动学习调制特征，实现端到端的调制识别。

实战项目：

1.时空多通道调制信号识别

CNN+LSTM多通道11种调制信号分类

2.自动调制识别多模型对比基准多模型对比

3.超轻量化调制分类网络

4.射频机器学习对抗攻防

5.射频数据训练评估框架

本模块讲解：

•IQ信号表示与时频域特征提取

•CNN在2D时频图上的特征学习

•多任务学习框架下的调制与信噪比联合估计

•模型轻量化与边缘部署策略

•射频信号对抗攻击与防御方法

实操环节基于时空多通道调制信号识别实现：

•输入：I/Q两路信号的时频表示（时序→2D图像变换）

•网络：CNN特征提取 + LSTM时序建模 + 多任务输出

•输出：调制类型分类（11种）+ 信噪比估计

•验证模型在不同信噪比条件下的分类准确率

第一天核心实操

1. 构建U-Net网络，预测超材料S11/S21系数

2. 实现CNN进行磁场图像→磁化分布的逆问题求解

3. 使用FDTD验证仿真原理，对比理论值

4. 分析时序信号→2D图像变换方法

5. 比较AI预测与FDTD仿真结果，量化计算效率提升

6. 实现时空多通道网络进行自动调制分类

第二天：神经网络编码器架构与磁性材料响应预测方法

2.1 上午：编码器-解码器与神经网络进阶

2.1.1 编码器-解码器架构深入（理论讲解+实操+代码演示）

编码器-解码器架构是差分神经网络和逆设计的核心。

进阶内容：特征金字塔（FPN）多尺度融合、U-Net++密集跳跃连接、注意力门控机制

实战项目

1.洛伦兹振子物理约束深度学习

2.磁传感器信号分类系统

2.1.2 差分神经网络（DiNN）原理（理论讲解+实操+代码演示）：DiNN通过差分学习提升模型泛化性。

实战项目：洛伦兹振子物理约束深度学习

实操环节构建洛伦兹振子深度学习模型，预测超材料在不同频率下的电磁场分布。

差分神经网络独立框架（mydinn）：本框架提供差分神经网络的独立实现，与洛伦兹振子版本互补。

2.1.3 SE注意力机制与ResNet融合（理论讲解+实操+代码演示）

SE-Squeeze-and-Excitation块、ResNet-SE残差连接：实战项目人工电磁材料逆设计基准

2.2 下午：傅里叶神经算子与仿真加速

2.2.1 傅里叶神经算子与大地电磁正演（理论讲解+实操+代码演示）

傅里叶神经算子（FNO）学习函数空间映射，全局建模能力强。

傅里叶神经算子原理实战项目：大地电磁正演傅里叶神经算子

2.2.2 电磁仿真与三维扩散（理论讲解+实操+代码演示）

实战项目

1.三维电磁扩散高效求解器

2.有限元电磁场仿真工具

3.电磁电路联合仿真

2.2.3 磁性材料电磁响应预测（理论讲解+实操+代码演示）

实战项目

1.稀土磁性材料分类预测

2.磁性材料知识图谱数据库

3.磁体磁场响应仿真库

4.磁场神经网络预测实验

第二天核心实操项目清单：

核心实操

1. 构建洛伦兹振子深度学习模型和差分神经网络，预测超材料电磁场分布

2. 使用逆设计基准比较7种方法的性能

3. 实现电磁-电路联合仿真，设计射频线圈

4. 分析磁性材料分类效果

5. 实现SE-ResNet模型，比较其与传统CNN的精度

6. 基于傅里叶神经算子实现大地电磁快速正演

第三天：物理信息神经网络与电磁场数值计算优化方法

3.1 上午：PINN理论与电磁场建模

3.1.1 PINN核心原理（理论讲解+实操+代码演示）：物理信息神经网络（PINN）将物理定律嵌入神经网络。

PINN损失函数、实战项目物理信息神经网络测试集

实操环节使用PyTorch实现PINN模型，预测电磁波在超材料中的传播。

3.1.2 电磁场数值模拟基础（理论讲解+实操+代码演示）

实战项目

1.有限元神经网络混合仿真

2.永磁电机建模仿真

3.1.3 磁振子传感器设计与PINN（理论讲解+实操+代码演示）：实战项目磁体磁场响应仿真库

3.2 下午：PINN在电磁超材料设计中的应用

3.2.1 电磁形状优化与PINN（理论讲解+实操+代码演示）

实战项目：电磁形状拓扑优化工具箱

1.电磁形状拓扑优化工具

2.电磁超材料PINN设计

3.2.2 CNN加速电磁仿真（理论讲解+实操+代码演示）：实战项目狭缝阵列加速深度学习

数据集：55955个TIFF图像，对比CNN、随机森林、SVM、多层感知器、KNN的效率。

3.2.3 物理约束神经网络、Maxwell方程求解与Lang-PINN（理论讲解+实操+代码演示）

•PCNN vs PINN本质区别：软约束（损失函数惩罚）、硬约束（网络结构强制满足）

•Lang-PINN：从自然语言到物理信息神经网络的多智能体框架

实战项目

1.物理约束神经网络

2.天线智能设计系统

3.Maxwell方程PINN求解器

实操环节实现物理约束神经网络：

•输入：电荷密度ρ和电流密度J的3D分布（128³）

•物理约束：构造满足∇·B = 0的矢量势A

•验证散度误差（~10⁻⁶）远小于PINN（~10⁻²）

第三天核心实操

1. 构建物理信息神经网络，预测超材料在不同入射角下的电磁响应

2. 使用有限元神经网络混合仿真

3. 训练CNN加速模型，比较与FEM的效率

4. 分析物理约束对预测精度的提升效果

5. 基于物理约束神经网络实现Maxwell方程硬约束求解

第四天：生成对抗网络与天线射频智能仿真设计优化方法

4.1 上午：GAN理论与电磁逆设计基础

4.1.1 GAN核心原理（理论讲解+实操+代码演示）：GAN完整框架、条件GAN（cGAN）、PatchGAN判别器

•局部_patch_判别而非全局判别

•提升生成图像细节精度

实战项目

1.太赫兹超材料生成对抗网络

2.量子真空介电常数调控

实操环节训练GAN模型，生成满足目标电磁响应的超材料几何。

4.1.2 电磁逆设计基础（理论讲解+实操+代码演示）

逆问题定义、7种逆设计方法对比

实战项目：神经算子逆设计系统

4.1.3 天线设计的人工智能方法（理论讲解+实操+代码演示）

天线设计参数化：几何参数（长度、宽度、高度）、介质参数（介电常数、损耗角正切）、馈电参数

实战项目

1.神经网络天线设计，使用前馈神经网络，用于天线参数预测

2.介质谐振天线优化，使用机器学习方法，用于多目标Pareto优化

3.U型槽天线逆向设计，使用逆向设计方法，用于微带天线

4.2 下午：天线智能设计与波束成形

4.2.1 大型语言模型辅助天线设计（理论讲解+实操+代码演示）

实战项目：大语言模型辅助CST设计

1.大语言模型辅助天线设计

2.CST自动化仿真

4.2.2 波束成形神经网络与模型驱动设计（理论讲解+实操+代码演示）

模型驱动波束成形、波束成形神经网络

第四天核心实操

1. 构建太赫兹超材料生成对抗网络模型，生成满足目标电磁响应的超材料几何

2. 基于神经算子逆设计训练代理求解器，实现自由形式逆设计

3. 验证量子真空介电常数调控效果

4. 使用神经网络实现微带天线自动设计

5. 实现介质谐振天线机器学习优化

6. 实现大语言模型辅助天线参数优化

7. 实现波束成形神经网络的模型驱动设计

第五天：微磁学仿真加速与量子微磁体架构智能建模方法

5.1 上午：多尺度微磁性能预测

5.1.1 多尺度建模与电磁性能关联（理论讲解+实操+代码演示）

实战项目：微磁神经网络仿真

1.微磁神经网络仿真

2.静磁微磁计算框架

3.LLG方程有限元求解器

实战项目：微磁神经网络仿真核心优势

1.GPU加速微磁求解器

2.MuMax3学习指南

3.纳米纹理生成框架

5.1.2 GPU加速微磁模拟（理论讲解+实操+代码演示）

实操环节实现GPU加速微磁模拟：CUDA并行计算、通用可扩展架构、Python接口

5.1.3 量子比特微磁建模（理论讲解+实操+代码演示）

实战项目

1.量子比特微磁模拟器

2.供体量子比特架构

3.电磁引力耦合分析

实操环节模拟量子比特的电磁响应：微磁体设计优化、量子比特-微磁体耦合、退相干分析。

5.2 下午：智能电磁材料设计系统

5.2.1 AI驱动的本构模型开发（理论讲解+实操+代码演示）

实战项目

1.微磁神经网络仿真

2.洛伦兹振子物理约束深度学习

实操环节基于微磁神经网络训练：输入磁化状态、输出退磁场、验证μMAG标准问题

5.2.2 多尺度可视化与分析（理论讲解+实操+代码演示）

实战项目

1.磁化可视化工具

2.纳米纹理生成框架

5.2.3 智能设计系统构建（理论讲解+实操+代码演示）

实战项目

1.神经算子逆设计系统

2.人工电磁材料逆设计基准

端到端预测流程，从微观几何到宏观电磁性能的多任务学习。

5.2.4 大模型协助电磁材料设计（理论讲解+实操+代码演示）

实战项目：量子真空介电常数调控

1.微磁神经网络仿真

2.神经算子逆设计系统

3.洛伦兹振子物理约束深度学习

核心实操

1. 构建微磁神经网络多尺度U-Net模型，预测超材料的电磁性能

2. 基于静磁微磁计算框架和LLG方程有限元求解器实现微磁仿真

3. 使用供体量子比特架构模拟量子比特架构

4. 分析多任务学习对多种性能指标预测的提升效果

5. 验证GPU加速效果（CUDA vs CPU）

专题二：人工智能传热仿真及实战专题

Day 1：AI基础算法与传热学开发环境构建

核心目标：系统掌握传统机器学习与深度学习核心算法体系，理解AI技术在传热学中的研究潜力，构建Python/MATLAB传热仿真开发环境，为后续四天的传热AI建模实战奠定算法与工具基础。

上午：机器学习基础与传热学入门

（一）AI开发环境搭建与传热学基础

Python科学计算生态与大模型入门

AI开发环境：Anaconda/PyCharm/Jupyter/VSCode → 构建标准化传热学AI研究环境

PyTorch → 深度学习框架选型与GPU加速配置

scikit-learn → 快速实现随机森林、XGBoost、SVM等传热预测建模

XGBoost/LightGBM/CatBoost → 三大梯度提升库的安装与配置

数据处理与可视化：Pandas/NumPy/Matplotlib/Seaborn → 处理传热仿真数据与结果可视化

Python传热工具链：numpy用于数值求解、matplotlib用于温度场可视化、SciPy用于PDE求解器集成

----------------------------------------

传热学三大基本方式与应用场景回顾

热传导：傅里叶定律与导热微分方程的物理意义→ 稳态与非稳态导热的工程应用（电子散热、建筑隔热）

热对流：牛顿冷却公式与对流换热系数的工程意义→ 强制对流、自然对流与相变换热

热辐射：斯蒂芬-玻尔兹曼定律与辐射换热网络 → 高温设备与航天器热控

三大传热方式的耦合：共轭传热问题的物理本质

----------------------------------------

本地大模型部署与辅助编程

Ollama部署（Qwen2.5/DeepSeek等模型） → 本地运行大模型保护研究数据隐私

大模型辅助代码生成→ 快速生成传热仿真数据分析和建模代码框架

提示词工程→ 设计传热学研究专用提示词模板

（二）监督学习与线性模型在传热学中的应用

机器学习概述与传热学应用场景

机器学习三大范式：监督学习、无监督学习、强化学习→ 在传热研究中的对应应用场景（温度场预测、流型分类、热控决策）

传热数据特征：非线性、多物理场耦合、高维参数空间→ AI建模需要关注的独特挑战

数据驱动 vs 物理模型（CFD/FEM） → 互补融合的研究趋势

----------------------------------------

线性模型与正则化

线性回归→ 用于简单传热问题中温度/热流预测

岭回归（L2正则化）→ 处理多环境变量（温度、流速、材料参数）的共线性问题

Lasso回归（L1正则化）→ 自动筛选传热关键影响因素（如雷诺数、普朗特数、材料热导率）

弹性网络→ 兼顾特征选择与模型稳定性，用于高维度传热参数降维

（三）决策树与集成学习

决策树原理及其在传热中的应用

信息增益、基尼系数→ 揭示传热性能关键决策阈值

决策树可视化→ 直观展示热系统中多参数的分级影响规则

----------------------------------------

Bagging与随机森林

随机森林（RF）→ 量化温度、流速、几何参数对传热性能的贡献度

特征随机选择→ 避免参数空间中单一特征主导预测

OOB误差估计 → 无需额外验证集评估模型泛化能力

----------------------------------------

高级梯度提升算法

XGBoost：二阶泰勒展开、正则化目标函数 → 大规模传热样本的高效建模

LightGBM：直方图算法、叶子优先生长 → 百万级CFD仿真数据的快速训练

CatBoost：类别特征自动处理 → 自动处理材料类型、流动工质等分类变量

三大Boosting对比：精度/速度/内存的权衡选择策略

下午：深度学习基础与传热理论进阶

（四）神经网络与深度学习基础

全连接神经网络（MLP/DNN）

神经元模型：权重、偏置、激活函数→ 构建传热参数到温度场的非线性映射

前向传播/反向传播 → 端到端学习从边界条件到温度分布的转换

激活函数：ReLU、Sigmoid、GELU → 增强网络对非线性热传递的建模能力

实战：使用MLP对热传导问题进行回归预测

----------------------------------------

卷积神经网络（CNN）

1D卷积：传热时间序列特征提取 → 处理多维温度传感器数据的局部模式

2D/3D卷积：温度场图像特征学习 → 将CFD仿真温度场作为CNN输入

残差连接（ResNet）→ 深层CNN稳定训练，用于高分辨率温度场预测

----------------------------------------

循环神经网络与变体（LSTM/GRU）

LSTM：遗忘门、输入门、输出门 → 建模瞬态传热过程的时序演化

双向LSTM → 利用温度时序数据捕捉热系统的长期依赖关系

GRU：简化门控设计 → 轻量级时序处理，适合快速部署

----------------------------------------

Transformer与自注意力机制

自注意力机制→ 一次性建模所有物理场变量间的全局依赖关系

多头注意力→ 从多个子空间学习温度-流速-压力-几何的不同关联模式

位置编码→ 为空间坐标和时序维度注入位置信息

（五）传热数值方法回顾与数据集构建

传统数值方法的数学基础

有限差分法（FDM）→ 导热微分方程的离散化求解策略

有限体积法（FVM）→ 对流-扩散方程的守恒型离散

有限元法（FEM）→ 变分框架下的弱形式求解

网格无关性验证→ CFD/FEM仿真精度的关键保障

----------------------------------------

AI传热研究的数据集构建

数据集来源：CFD高保真仿真结果、实验测量数据、文献数据

数据预处理：归一化、异常值检测、缺失值处理

训练集/验证集/测试集划分 → 评估模型泛化能力

传热领域数据的特殊挑战：多尺度、非线性、高维度

----------------------------------------

文献综述导读

机器学习与深度学习在传热领域的最新研究进展综述

关键发现：RF模型在稳态问题中R²可达0.95以上，DL模型在瞬态问题上R²可达0.98以上

物理信息神经网络（PINN）在热传导和相变系统中展现优异的物理一致性

（六）入门实战：PINN求解二维稳态热方程

物理信息神经网络（PINN）基本概念

PINN核心思想：将偏微分方程（PDE）控制方程嵌入神经网络的损失函数

损失函数构成：数据匹配项 + PDE残差项 + 边界条件项 + 初始条件项

与传统数值方法（FDM/FEM）的对比：无需网格划分，直接处理反问题

----------------------------------------

二维稳态导热方程的PINN求解

控制方程：∇·(k∇T) + Q = 0（二维稳态导热方程）

网络架构：全连接神经网络（MLP），输入为空间坐标(x,y)，输出为温度T(x,y)

边界条件处理：Dirichlet（定温）和Neumann（定热流）边界

训练策略：Adam优化器 + L-BFGS精调，学习率调度策略

----------------------------------------

结果可视化与分析

温度场等值线绘制→ 验证PINN解的物理合理性

与解析解/FEM解的误差对比 → RMSE和最大绝对误差分析

残差分布分析→ 诊断PDE约束的满足程度

（七）ML/DL模型在过热检测中的对比研究

计算机/电子设备过热检测问题背景

热管理在电子设备中的关键作用→ 从数据中心到移动设备的过热保护

传统温度监测方法的局限性

----------------------------------------

多模型对比实验设计

传统ML模型：RF/XGBoost/SVM → 基于温度时序特征的过热分类

深度学习模型：CNN/LSTM/CNN-LSTM → 从温度传感器数据自动提取特征

模型评估：准确率、精确率、召回率、F1分数对比

----------------------------------------

结果分析与讨论

不同模型在过热检测中的性能对比与适用场景分析

特征重要性分析→ 哪些温度特征对过热预测最关键

实时部署的延迟与精度权衡

Day 2：传统数值方法与人工智能的融合建模

核心目标：深入掌握传统CFD/FEM数值方法（OpenFOAM、FEniCS），系统了解FEM仿真与机器学习协同建模的实战流程，认识数值模拟数据驱动建模的结合路径，建立'数值仿真→数据生成→AI代理模型'的完整方法论。

上午：开源CFD/FEM传热仿真平台

（一）OpenFOAM传热求解器开发与实战

OpenFOAM平台概述

OpenFOAM：开源CFD工具箱的核心架构 → 求解器-边界条件-湍流模型-后处理

OpenFOAM在传热问题中的优势：源代码可定制、大规模并行计算、丰富的物理模型库

安装与配置：Linux/WSL环境下的OpenFOAM安装指南

----------------------------------------

循环传热求解器开发

控制方程：Navier-Stokes方程 + 能量方程耦合求解

求解器架构：SIMPLE/PISO算法在传热问题中的实现

边界条件设定：恒温/恒热流/对流换热边界

温度场与速度场的耦合机制→ Boussinesq近似与全耦合方法

----------------------------------------

共轭传热（CHT）分析

共轭传热的物理本质：流固耦合界面的热传递

OpenFOAM中的chtMultiRegion求解器架构

固液界面热耦合条件：温度连续与热流连续

典型应用案例分析：换热器、电子散热、涡轮叶片冷却

（二）FEniCS有限元法传热与多物理场建模

FEniCS平台概述与Python接口

FEniCS核心设计理念：自动化有限元求解与变分形式语言

Python接口 → 从数学公式到可执行代码的无缝转换

网格生成与后处理：mshr/dolfin模块的工程使用

----------------------------------------

稳态与瞬态热传导FEniCS实现

弱形式推导：热传导方程的变分形式→ 从强形式到弱形式的数学推导

Dirichlet/Neumann/Robin边界条件的FEniCS实现

瞬态热传导：时间离散策略（显式/隐式/θ方法）

----------------------------------------

多物理场耦合建模：氢氚输送与传热耦合

耦合物理模型：物质扩散 + 对流传热 + 化学反应热源

多物理场耦合策略：全耦合 vs 顺序耦合

非线性求解策略：Newton-Raphson迭代与收敛控制

典型核聚变应用背景：聚变堆包层氚增殖单元的热工水力分析

下午：FEM-ML协同建模与增材制造热仿真

（三）FEM模拟与机器学习协同预测增材制造热场

增材制造（3D打印）中的传热问题背景

增材制造过程的独特热学挑战：移动热源、快速熔化凝固、残余应力

激光/电子束粉末床熔融过程中的热物理现象

传统FEM热仿真的计算瓶颈：高精度瞬态仿真耗时巨大

----------------------------------------

FEM-ML协同建模方法论

数据生成：FEM参数化扫描 → 构造覆盖工艺窗口的训练数据集

特征工程：工艺参数（激光功率、扫描速度、预热温度）→ 热学响应（熔池温度、冷却速率、热影响区）

代理模型策略：ML模型替代FEM求解器 → 实现实时热场预测

----------------------------------------

模型对比与评估

多种ML模型对比：RF/XGBoost/MLP在增材制造热场预测中的表现

预测精度评估：温度场RMSE、熔池尺寸预测误差

模型加速比：ML代理模型 vs 传统FEM的计算效率对比

（四）DES方法在3D打印瞬态热仿真中的应用

DES（脱离涡模拟）湍流模型概述

RANS vs LES vs DES → 不同湍流模拟策略的精度与成本权衡

DES模型在热仿真中的优势：准确捕获瞬态热涡结构

FFF（熔融沉积成型）3D打印的热学特征

----------------------------------------

3D打印挤出过程的瞬态热分析

熔融聚合物挤出过程的流动-传热耦合模型

喷嘴/挤出头的温度场分布与热应力分析

层间结合过程中的冷却与固化热传递

----------------------------------------

仿真结果分析

瞬态温度场动画→ 打印过程中温度演化可视化

关键位置的温度-时间曲线分析

工艺参数（挤出温度、打印速度、层厚）对热场的影响规律

（五）深度学习在铸造工艺热传递模拟中的应用

铸造工艺中的传热问题

铸造过程的物理建模：相变潜热、凝固界面追踪、缩孔缩松预测

传统数值模拟（FEM/FDM）的局限性：复杂几何的多尺度计算挑战

----------------------------------------

深度学习驱动的铸造热仿真

CNN/U-Net架构用于温度场预测 → 从工艺参数到温度分布的端到端映射

LSTM/GRU用于凝固过程的时序温度预测

与传统Stefan问题的解析/数值解对比验证

----------------------------------------

工业应用价值分析

铸造缺陷预测：基于温度场的缩孔缩松风险评估

工艺优化：利用ML模型进行铸造工艺参数快速寻优

数字孪生构建：FEM + DL混合模型实现铸造过程实时监测

Day 3：物理信息神经网络（PINN）在传热学中的深入应用

核心目标：系统掌握物理信息神经网络（PINN）的核心理论与实现方法，熟练运用PINN解决各类传热控制方程（稳态导热、瞬态导热、对流-扩散、声子玻尔兹曼传输方程），建立从PDE建模到PINN求解的完整实战能力。

上午：PINN核心理论与热传导问题求解

（一）PINN深度解析：从理论到实践

PINN方法论深度剖析

PINN的三大核心组件：神经网络逼近器 + 自动微分 + PDE残差损失

通用逼近定理→ 神经网络作为PDE解的合理性理论基础

自动微分（Automatic Differentiation）机制 → 精确计算PDE中的各阶导数

损失函数设计：数据损失 + PDE残差损失 + 边界损失 + 初始损失

----------------------------------------

PINN训练策略与技巧

优化器选择：Adam（全局探索）+ L-BFGS（局部精调）的两阶段策略

损失权重平衡：自适应权重调整方法（如Learning Rate Annealing、NTK理论）

采样策略：均匀采样 vs 自适应采样 vs 重要性采样

常见训练问题诊断：梯度消失/爆炸、损失函数不收敛、物理不一致性

----------------------------------------

PINN的传热学应用框架

热传导PINN：输入(x,y,t) → 输出T(x,y,t)，PDE约束为傅里叶导热方程

对流-扩散PINN：耦合速度场与温度场的PDE约束

多物理场PINN：同时满足多个物理方程的损失函数设计

（二）PINN求解稳态与瞬态热传导问题

一维/二维稳态热传导PINN实现

控制方程：d/dx(k·dT/dx) + Q = 0（变热导率稳态导热）

网络架构：全连接网络（3-5层，每层20-50个神经元）→ 不同架构的精度对比

边界条件编码策略：硬约束（网络输出变换）vs 软约束（损失项）

变系数导热：k(x)为空间函数的PINN处理方式

----------------------------------------

瞬态热传导PINN实现

控制方程：ρCp·∂T/∂t = ∇·(k∇T) + Q（瞬态导热方程）

时空变量统一输入策略：(x,y,t) → T(x,y,t)

初始条件编码：t=0时刻的温度分布作为额外损失约束

与解析解（分离变量法）和FEM解的精度对比

----------------------------------------

多维度热传播问题

二维各向异性导热：热导率张量的PINN编码方式

非线性导热：k(T)随温度变化的物理模型嵌入

内热源问题：空间分布热源Q(x,y)的反问题求解

下午：PINN进阶应用与多物理场拓展

（三）热腔流动的PINN模拟

热腔自然对流问题建模

物理描述：封闭方腔中底部加热-顶部冷却驱动的自然对流

耦合控制方程：Navier-Stokes方程（Boussinesq近似）+ 能量方程

无量纲参数：Rayleigh数(Ra)、Prandtl数(Pr)对流动形态的影响

----------------------------------------

PINN求解策略

网络输入：(x,y) → 输出：(u,v,p,T) → 四个物理量同时预测

PDE残差定义：连续性方程 + 动量方程(x,y) + 能量方程 → 五个残差项

边界条件处理：固壁无滑移 + 恒温壁面

----------------------------------------

结果验证与分析

不同Ra数下的流线图与等温线图对比

Nusselt数计算与文献数据验证

PINN与基准CFD（OpenFOAM/Fluent）解的精度对比

（四）PINN在工程热物理中的前沿应用

制造业高温传热问题的PINN建模

工业背景：高温炉/反应器中的辐射-对流-导热耦合传热

复杂几何域的处理策略：通过坐标变换或子域分解法

能耗优化目标：最小化加热功率同时满足温度均匀性约束

传感器优化定位：利用PINN的梯度信息确定关键监测点

多目标损失函数设计：温度场精度 + 能耗约束 + 传感器覆盖

----------------------------------------

声子玻尔兹曼传输方程的PINN求解

物理背景：微纳尺度传热→ 傅里叶导热定律失效时需用声子BTE描述

声子BTE控制方程：∂f/∂t + v·∇f = (f_eq - f)/τ（模式分辨的七维偏微分方程）

PINN架构设计：高维输入(t,x,y,θ,φ,ω) → 声子分布函数f

时间相关模式分辨求解：不同频率声子模态的独立处理

与Monte Carlo/离散坐标法的验证对比

纳米材料热管理中的应用前景

（五）PINN综合实战与对比分析

MATLAB环境下的PINN实现

MATLAB深度学习工具箱在PINN中的应用

自动微分在MATLAB中的实现方式（dlgradient函数）

MATLAB vs Python（PyTorch/TensorFlow）PINN实现对比

多项目对比分析：

不同网络架构（深度、宽度、激活函数）对PINN收敛性的影响

不同传热问题（稳态/瞬态/线性/非线性）的最优PINN架构推荐

不同PINN实现（MATLAB/Python）的计算效率对比

PINN的局限性与改进方向：

高阶/刚性PDE的收敛困难 → 自适应激活函数、领域分解策略

大规模3D问题的计算瓶颈 → 并行PINN训练、随机梯度哈密顿方法

多尺度问题的处理→ 多保真度PINN、渐进学习策略

PINN与传统数值方法的互补融合路径

Day 4：深度学习与算子学习在传热学中的高级应用

核心目标：系统掌握CNN、迁移学习、神经算子（DeepONet/FNO）等深度学习方法在传热仿真中的前沿应用，熟练运用深度学习技术解决温度场快速预测、材料热导率评估、湍流传热分析等复杂工程问题，建立从数据驱动到算子学习的完整方法体系。

上午：深度学习代孕模型与算子学习基础

（一）深度迁移学习与数据增强代孕模型

代孕模型（Surrogate Model）概念与意义

定义：用数据驱动模型替代高成本CFD/FEM仿真进行快速预测

核心优势：从小时/天级别仿真 → 毫秒级预测，实现实时温度场评估

在热源布局温度场预测中的应用场景：电子设备热设计、建筑热环境优化

----------------------------------------

数据增强技术

物理约束数据增强：基于热传导线性叠加原理扩充训练数据

几何扰动增强：热源位置/尺寸的随机微扰生成多样化训练样本

噪声注入增强：模拟传感器测量误差提高模型鲁棒性

对比分析：有增强 vs 无增强数据的模型精度提升效果

----------------------------------------

深度迁移学习策略

预训练模型选择：从大规模CFD仿真数据集预训练的编码器

微调策略：冻结底层/逐层解冻/全模型微调的效果对比

少样本学习：仅用10%-20%的目标域数据实现高精度预测

迁移学习在不同热源布局间的泛化能力评估

（二）CNN预测湍流传热

湍流传热的物理特征与挑战

湍流的本质：多尺度涡结构、强非线性、间歇性

湍流对传热的增强机制→ 湍流热扩散系数与雷诺类比

传统CFD方法（DNS/LES/RANS）的计算成本与精度权衡

----------------------------------------

CNN架构设计与数据准备

输入数据构建：速度场/涡量场/壁面距离 → 二维/三维卷积输入

CNN架构设计：多尺度卷积核 + 残差连接 + 转置卷积上采样

训练数据来源：DNS/LES高保真仿真数据集

数据预处理：归一化策略、训练/验证/测试集划分

----------------------------------------

预测结果的物理一致性评估

平均温度场与脉动统计量的预测精度

关键区域（近壁面、分离区）的预测性能分析

Nusselt数预测与经验公式的对比验证

与传统简化模型（k-ε模型、代数热通量模型）的优势对比

下午：神经算子方法与多领域传热应用

（三）神经算子（Neural Operator）在传热中的应用

神经算子与3D集成电路超快速热仿真

神经算子的核心思想：学习映射从函数空间到函数空间（而非向量到向量）

DeepONet架构：分支网络（编码输入函数）+ 主干网络（编码坐标）

傅里叶神经算子（FNO）：在傅里叶空间进行积分核学习 → 分辨率无关的特性

3D集成电路热管理的工程背景：高密度集成导致的热串扰和热点问题

----------------------------------------

算子学习在集成电路热仿真中的优势

分辨率无关性：训练和推理可以使用不同分辨率的网格

零样本超分辨率：低分辨率训练→ 高分辨率预测

毫秒级推理速度 vs 传统FEM小时级计算 → 实现实时热感知设计

----------------------------------------

表面功率分布参数化热方程的算子求解

问题描述：二维芯片表面→ 给定功率分布P(x,y) → 预测温度场T(x,y)

DeepONet架构：分支网络处理功率分布函数，主干网络处理空间坐标

训练策略：参数化功率分布采样→ 多样化的训练数据集构建

与传统有限差分法的精度与速度对比

（四）多尺度计算与机器学习预测材料热导率

多组分镁合金热导率预测

研究背景：镁合金作为轻质结构材料的热管理应用需求

多尺度方法框架：第一性原理计算→ 分子动力学 → 机器学习 → 宏观热导率

影响热导率的关键因素：合金成分、相组成、微观结构、温度

----------------------------------------

机器学习建模方法

特征工程：成分比例、晶格常数、弹性常数、电子结构参数

多模型集成：RF + XGBoost + MLP → Stacking策略融合

SHAP可解释性分析：揭示各因素对热导率的贡献度排序

----------------------------------------

物理信息神经算子与热电特性

热电材料中的多物理耦合：电导率-热导率-Seebeck系数的协同优化

物理信息神经算子框架：PDE约束 + 实验数据 + 算子学习

温度相关特性的无标记推断：无需重新标定的跨温度范围预测

材料筛选与正向设计：利用训练好的算子快速评估候选材料的热电性能

（五）共形冷却系统的ML预测与综合讨论

共形冷却系统的热性能预测

共形冷却通道的设计理念：随形冷却实现均匀温度分布

ML预测方法：从通道几何参数到热性能指标（冷却效率、压降、温度均匀性）的映射

数据集构建：CAD参数化 + CFD仿真 + 性能指标提取

多种ML模型性能对比：RF/GBRT/MLP/CNN在冷却性能预测中的表现

----------------------------------------

Day 4综合总结与技术选型指南

三种主流AI-传热方法的关系图谱

L1: 传统ML（RF/XGBoost）→ 稳态/低维度/小数据 → 快速部署

L2: 深度学习（CNN/LSTM）→ 高维/瞬态/大数据 → 端到端特征学习

L3: 物理信息方法（PINN/算子）→ 物理一致性/参数化PDE → 泛化与理论保障Day 5：多目标优化智能诊断与工程前沿实践

核心目标：系统掌握基于AI代理模型的多目标优化方法（NSGA-II等进化算法），结合状态空间机器学习与深度学习的先进传热诊断技术，了解液-汽相变AI研究前沿与热力学AI计算，建立从'数值仿真→AI预测→多目标优化→工程部署'的完整智能热设计能力体系。

上午：多目标优化与智能热系统诊断

（一）AI辅助多目标优化框架与进化算法

热系统多目标优化的数学基础

Pareto最优概念：无法在不恶化某一目标的情况下改进另一目标

热系统的典型冲突目标：最大化传热效率 vs 最小化压降/泵功率

线性加权 vs Pareto前沿方法 → 多目标优化的正确范式

----------------------------------------

进化算法核心：NSGA-II详解

遗传算法基础：编码-选择-交叉-变异的进化流程

NSGA-II的创新：非支配排序 + 拥挤距离 + 精英保留策略

NSGA-II vs MOEA/D vs SPEA2：主流多目标进化算法对比

----------------------------------------

代理模型辅助的优化框架

框架架构：ML代理模型（温度场/性能预测器）+ NSGA-II（优化器）

采样策略：拉丁超立方采样、自适应采样、贝叶斯优化

迭代更新机制：利用候选设计的高保真CFD验证 → 扩充训练集 → 重新训练代理模型

完整案例：换热器多目标优化（最大化换热效率 + 最小化压降）

Pareto前沿可视化 → 工程师可根据偏好选择最优折中设计

（二）状态空间机器学习在热系统中的应用

状态空间模型理论基础

状态空间表示：系统内部状态 + 观测方程 → 时序系统的统一数学框架

卡尔曼滤波（Kalman Filter）：线性高斯系统的递归最优状态估计

扩展/无迹卡尔曼滤波：非线性热系统的状态估计方案

----------------------------------------

疏松式热敏电阻的状态空间建模

热敏电阻的物理数学模型：热平衡方程与电-热耦合

疏松式结构的特殊热学行为分析

状态空间ML策略：利用温度-电阻测量数据递归估计内部热状态

与纯黑盒深度学习方法的物理可解释性对比

----------------------------------------

热系统状态监测与故障诊断

基于状态空间模型的热异常检测：残差分析 + 状态偏移检测

热失控预警：利用状态预测提前识别危险温度趋势

应用扩展：电池热管理系统、电力电子散热系统的状态监控

下午：前沿技术与课程总结

（三）声学融合深度学习的沸腾传热智能诊断

沸腾传热的物理机制与挑战

沸腾曲线的四个阶段：自然对流→ 核态沸腾 → 过渡沸腾 → 膜态沸腾

临界热流密度（CHF）的工程重要性 → 超过CHF导致设备烧毁

传统测量方法的局限性：侵入式传感器干扰流动、空间分辨率低

----------------------------------------

外部声学信号的深度学习分析

声学信号特征提取：频谱分析、小波变换、Mel频谱图

CNN/LSTM网络从声学信号预测传热状态

沸腾状态（CHF前/CHF后）的实时分类与预警

----------------------------------------

非侵入式热通量与传热系数预测

从声学信号到热通量的端到端深度学习映射

热通量与传热系数的预测精度评估

与传统热电偶/热成像方法的对比优势：非接触、低成本、大范围监测

（四）AI相变传热前沿与热接触电阻预测

液-汽相变传热AI研究前沿综述

相变换热中的三大AI技术方向

元分析（Meta-analysis）：多数据集融合 → 跨工况的通用传热关联式学习

物理特征提取：计算机视觉（Mask R-CNN/U-Net）→ 气泡/液滴统计特征自动化量化

数据流分析：实时两相流型识别→ 智能沸腾/冷凝系统的闭环控制

物理信息机器学习在相变换热中的前沿应用

----------------------------------------

深度学习预测热接触电阻（TCR）

热接触电阻的物理本质：界面不完全接触导致的附加热阻

表面形貌对TCR的影响：粗糙度、波纹度、接触压力、材料特性

深度学习框架：CNN/ResNet从表面形貌图预测TCR值

训练数据来源：FEM界面接触仿真 + 表面形貌参数化

与传统半经验公式（如CMY模型）的精度优势

----------------------------------------

热力学AI计算前沿展望

AI辅助热力学数据挖掘 → 加速新材料热物性数据库构建

深度学习势函数→ 分子动力学模拟中热导率的精确预测

AI驱动的热力学循环分析与优化

往期学员反馈

课程会议完毕后老师长期解疑，课程群不解散，往期会议学员对于会议质量和授课方式一致评价极高！

课程模式与增值服务

课程模式

1、线上授课时间和地点自由，建立专业课程群进行实时答疑解惑。

2、理论＋实操授课方式，由浅入深式讲解，结合大量实战案例与项目演练，聚焦人工智能技术在传热学、电磁仿真与设计领域的最新研究进展。

3、课前发送全部学习资料（上课所有使用的软件、包括丰富的PPT，大量的代码数据集资源）课程提供全程答疑解惑。

4、定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，永不解散的课程群答疑服务，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件；

2、课程结束可获得本次所学专题全部回放视频；

3、课程会定期更新前沿内容，参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程（任意一期）！

专题时间

人工智能传热仿真及实战专题

2026.09.16---2026.09.17（晚上19:00-22:00）

2026.09.19（上午9:00-11:30下午13:30-17:00）

2026.09.21---2026.09.24（上午9:00-11:30下午13:30-17:00）

2026.09.28---2026.09.29（晚上19:00-22:00）

腾讯会议线上授课（共五天课程提供全程视频回放和课程群答疑）

人工智能电磁仿真设计实战专题

2026.10.11（上午9:00-11:30下午13:30-17:00）

2026.10.13---2026.10.16（晚上19:00-22:00）

2026.10.17---2026.10.18（上午9:00-11:30下午13:30-17:00）

腾讯会议线上授课（共五天课程提供全程视频回放和课程群答疑）

专题费用

课程费用：

人工智能传热仿真及实战专题

每人每班¥4980元（包含培训费、资料费、提供课后全程回放资料）

人工智能电磁仿真与设计实战专题

每人每班¥4980元（包含培训费、资料费、提供课后全程回放资料）

早鸟价：提前报名缴费学员可得300元优惠（仅限前15名）

套餐价：

两人团报：两人团报课程￥9080元

年报优惠：可免费学习一年特惠：18880元（可免费学习一整年本单位举办的任意专题）

报名费用可开具正规报销发票（会议费、培训费、资料费等）及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

报名咨询方式

（请扫描下方二维码）

报名流程：扫码报名→管理员对接→发送正式培训（会议）邀请函→缴费及开具发票。

联系人｜陈老师

咨询电话｜15652523032（微信同号）

邮箱 | 15652523032@163.com

官方网站 | http://www.dxianai.com