| 课程号 |
01035490 |
学分 |
1 |
| 英文名称 |
Artificial Intelligence for Chemistry Laboratory |
| 先修课程 |
机器学习及其在化学中的应用（刘志荣老师）
Python编程相关课程
线上公开课《机器学习》（吴恩达老师）
以上课程建议但不强制要求。 |
| 中文简介 |
人工智能的快速发展深刻影响并重塑着科研范式，尤其在化学领域展现出广阔的前景与潜力。在本科化学实验教学中融入人工智能赋能科学研究的实践内容，与时俱进地培养学生跨学科的编程思维与数据科学素养，帮助学生及早熟悉AI赋能化学研究的新范式十分重要。AI化学实践课程面向化学学院本科生开设，旨在通过项目制实验引导学生探索人工智能与化学研究的融合，培养学生跨学科的研究能力与创新思维。课程采用“理论指导+实验操作+协作探究”的模式，通过“化学问题→数据→模型→验证”的完整训练，帮助学生熟悉人工智能在反应预测、条件优化、谱图解析、设备自动化等重要实验场景中的应用原理与实操过程，培养学生运用AI技术和跨学科知识解决实际问题的能力，为学生未来在AI4Science领域开展原创性工作奠定基础。
课程教学强调实践训练，由学生自主组队并选择研究项目，引导学生在“做中学”，结合理论讲座、方案研讨、交流与汇报等环节，通过文献调研、实验设计、实践操作、数据分析到论文撰写的完整科研训练培养学生的科学素养。课程注重过程性评价，既关注学生的实验操作、规范记录、安全环保等基本素养，也关注问题解决、创新思维和团队合作能力的培养。课程期望通过实践引导学生主动应用AI解决化学研究中的关键科学技术问题，探索新一代“化学+AI”拔尖创新人才的培养方案。
|
| 英文简介 |
The rapid development of artificial intelligence (AI) has profoundly influenced and reshaped scientific research paradigms, particularly demonstrating broad prospects and potential in the field of chemistry. It is crucial to integrate AI-empowered scientific research practices into undergraduate chemistry laboratory teaching, fostering students' interdisciplinary programming thinking and data science literacy in a timely manner, and helping them become familiar with the new AI-driven research paradigm in chemistry at an early stage. The AI-Chemistry Practical Course, designed for undergraduate students in College of Chemistry, aims to guide students in exploring the integration of AI and chemical research through project-based experiments, cultivating their interdisciplinary research capabilities and innovative thinking. The course adopts a "theory-guided + hands-on experimentation + collaborative inquiry" model, providing comprehensive training through the workflow of "Chemical Problems → Data → Models → Validation", which helps students understand the application principles and practical processes of AI in critical experimental scenarios such as reaction prediction, condition optimization, spectral analysis, and equipment automation. It also nurtures their ability to solve real-world problems using AI technologies and interdisciplinary knowledge, laying a foundation for their future original work in the AI4Science field.
The course emphasizes practical training, where students independently form teams to select research projects. Guided by a "learning-by-doing" approach, the curriculum combines theoretical lectures, project discussions, exchanges, and presentations. Through a complete scientific training cycle—from literature review, experimental design, practical operations, and data analysis to paper writing—students develop scientific literacy. The course focuses on process-oriented evaluation, assessing not only basic competencies such as experimental skills, standardized documentation, and safety/environmental awareness but also problem-solving abilities, innovative thinking, and teamwork. It aims to inspire students to proactively apply AI in addressing key scientific and technological challenges in chemistry, thereby exploring innovative cultivation models for the next generation of "Chemistry + AI" talents.
|
| 开课院系 |
化学与分子工程学院 |
| 成绩记载方式 |
|
| 通识课所属系列 |
|
| 授课语言 |
中文 |
| 教材 |
|
| 参考书 |
|
| 教学大纲 |
1. 知识方面：
① 了解AI在反应选择性预测、反应优化、图像识别、实验自动化与智能化等领域的应用，学习AI赋能化学研究的新范式。
② 了解无监督学习、监督学习与强化学习等AI基本算法的类型与适用场景。
③ 了解数据的基本构建方式（例如文献数据整理、化学计算、高通量实验积累数据）。
④ 熟悉Python、LabView、MATLAB等常见编程与调用算法的工具。
⑤ 了解控制、操作、反应、分析等自动化与智能化模块的搭建，学习AI融合自动化的运行逻辑。
2. 能力方面：
① 构建“化学问题→数据→模型→验证”的闭环研究能力。
② 在传统研究方法的基础上，学习数据驱动的研究新范式。
3. 素养方面：
① 培养AI赋能研究的主动意识，未来科研中积极融入AI解决实际问题。
② 在学习中不断深化理解，面向AI4Science领域提出创新性想法。
模块1：AI赋能材料开发模块
项目内容：多元相图预测和新材料发现
该项目引入AI技术对多元氧化物相图进行分析与预测。针对特定多元相图体系，基于数据库、文献数据和热力学计算结果，利用机器学习方法对不同组分的相组成进行预测，确定相图区域和边界。进一步针对实验数据较少的特定区域，利用固相反应和XRD分析，对预测结果进行验证。本项目通过AI赋能使学生对多元固体相平衡有更深入的理解，并引导学生使用AI工具加快新结构材料的发现。
模块2：AI赋能反应条件优化模块
项目内容：流动体系中光催化反应的自动控制与反应优化
该项目通过自动化控制的流动化学装置，对光催化下的二苯甲酮脱羰实验进行AI辅助的反应优化。学生将学习如何采用自动控制技术对液体处理仪、注射泵、可调连续流光反应器等装置进行搭建、集成与控制，以及采用强化学习方法（贝叶斯算法）探索选定的参数空间（包括离散变量与连续变量），最终识别出最佳反应条件（底物浓度、底物当量、停留时间、光照强度）。
模块3：AI赋能光谱数据分析模块
项目内容：基于AI技术的光谱分类及其在咖啡识别中的应用
该项目引入机器学习用于光谱分类，并应用于实际样品的识别。学生自主选择待分析样品与仪器分析手段，设计实验方案，利用不同的机器学习方法（无监督学习与监督学习）对不同类型咖啡（浅焙、中焙、深焙）的色谱和质谱谱图进行分类，评估所得模型对 “未知” 咖啡样品进行分类的能力。该实验中，学生将学习Python编写代码与算法选择，还能够探究不同谱学技术、不同样品制备方法、不同数据集大小、以及不同样品品牌等因素对分类能力的影响。
模块4：AI赋能智能化仪器开发模块
项目内容：蔗糖转化实验中旋光仪的智能识别与自动控制
本项目针对传统手动手动旋光仪存在的眼观测易疲劳、数据采集效率低、操作重复枯燥等问题，将机器学习方法与自动控制技术深度融合，开发数智旋光仪，并应用与“蔗糖水解”这一经典动力学实验。在数智旋光仪的开发中，学生将学习如何利用机器学习算法智能识别旋光仪视场“均匀暗场”，以及如何通过步进电机自动控制实现旋光零点的自动确定和溶液旋光度的实时测量，从而达到提升该实验效率和准确性的目的。本项目将培养学生将AI和自动化技术有机结合，应用于实验仪器的开发和改进。
以上项目由学生任选一个完成，包括文献调研、理论讲座、实践操作以及最后的总结汇报和研究报告撰写，理论讲座和实践操作共计32学时。计划在暑期学期一周内完成。
32学时内的教学方式：顾问教师理论讲授（2学时）、学生分组操作实验（26学时）、按项目分组课堂讨论交流（2学时）、全体学生结题汇报（2学时）。
32学时外，学生需提前阅读文献，形成实验方案并与指导教师讨论；实验结束后，学生需独立完成研究论文撰写。
本课程不设考试，平时成绩占比100%，评分标准如下
1. 实验准备（15分）：围绕选定主题进行文献调研，提前熟悉选题的背景知识和所需技能。结合实验室条件和实验学时，对实验方案进行设计，并进行可行性分析。由指导教师对实验方案的充分性、可行性和创新性进行评价。
2. 实验过程（65分）：
2.1 实验预习与记录（10分）：按照基本要求，提前做好实验预习，及时、完整、正确记录及整理实验过程及实验现象和数据。
2.2 实验过程（25分）：认真思考，规范操作，积极尝试，具有团队精神，解决实验中出现的问题，高效完成实验。
2.3 实验结果（15分）：在规定时间内完成实验，达到预期实验目标；若实验结果不及预期，需分析给出原因。
2.4 实验交流与讨论（10分）：认真总结整理实验中的问题与解决方法，积极参与实验讨论。
2.5安全卫生环保（5分）：遵守实验室安全管理规定，保持实验台面整洁，恪尽值日职责，规范取用实验试剂，合理处理实验废弃物。
3. 结题论文与口头报告（20分）：结题报告按科技论文标准格式进行撰写，口头报告关注ppt是否认真规范，表达是否清晰有逻辑。
|
| 教学评估 |
|
|