اکسپرس 24
کتاب طراحی فیلدهای نیروی انتقال‌پذیر با یادگیری ماشین از صفر تا پروژه عملی

کتاب طراحی فیلدهای نیروی انتقال‌پذیر با یادگیری ماشین از صفر تا پروژه عملی

تگ‌ها: deep learning chemistry DFT machine learning chemistry ML پتانسیل molecular simulation Neural Network Potential potential energy surface Python علمی transferable force fields انتقال‌پذیری دینامیک مولکولی شبکه عصبی شیمی محاسباتی فیلد نیرو یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.