1. 活性物质与 AI 基础学习（第 1-4 周）
   • 系统学习活性物质基础理论：通过精读文献（如上述元综述），理解主动颗粒、集体动力学、非平衡统计物理等核心概念，梳理活性颗粒（如细菌集群、人工微机器人）的运动规律与建模方法。
   • 人工智能基础入门：学习机器学习（如神经网络、强化学习）和数据驱动建模的基本原理，重点掌握 Python 编程（数据处理、可视化）及基础 AI 工具（如 TensorFlow/PyTorch）的使用。
2. AI 在活性颗粒建模中的应用调研（第 5-8 周）
   • 调研文献中 AI 赋能的典型案例：分析机器学习如何用于活性颗粒的轨迹预测（如基于深度学习的群体行为建模）、相分离过程模拟（如 motility-induced phase separation, MIPS）、或实验数据的智能分析（如微机器人运动轨迹的特征提取）。
   • 参与小组讨论，梳理 AI 方法（如神经网络、流体力学模型与 AI 的结合）在解决活性物质难题中的优势与挑战（如非平衡系统的热力学建模、多尺度耦合问题）。
3. 实践：完成小型 AI 建模尝试（贯穿全程）
   • 在导师指导下，尝试用 Python 实现简单的 AI 模型（如基于循环神经网络 RNN 预测活性颗粒集群的动态行为，或用卷积神经网络 CNN 分析文献中的实验图像），并对比传统物理模型与 AI 模型的差异。
   • 整理调研成果，形成图文并茂的综述报告，重点阐述 AI 如何提升活性颗粒过程建模的效率与精度。

1. 知识基础（无需专业背景）
   • 数学基础：掌握微积分、线性代数的基本概念（用于理解物理模型和 AI 算法）。
   • 英语能力：能借助工具阅读英文文献（岗位提供文献精读指导）。
2. 素质与兴趣
   • 对交叉领域（如AI + 科学计算）有强烈兴趣，愿意探索 人工智能的前沿问题。
   • 具备自主学习能力和好奇心，能在导师指导下完成文献阅读与小型编程任务。
   • 工作认真负责，能按时完成阶段任务（如每周提交学习笔记、阶段性汇报）。

课题组将为你提供固定办公工位及电脑，依据表现可给予适当研习津贴。

这是一次用 AI 思维重新理解 “生命与物质运动” 的机会，期待对交叉学科充满热情的你，在两个月里解锁科研思维，搭建起连接人工智能与活性世界的桥梁！

在实践中成长，用成果见证进步

1. 过程性考核（占比 70%）
   • 文献阅读报告：每周提交 1 篇文献精读笔记（提炼核心观点、绘制概念图或流程图）。
   • 学习日志与小组讨论：记录编程学习进度、模型调试过程，参与每周组会汇报，展示对 AI 建模方法的理解（如用 PPT 讲解某篇文献中的 AI 模型架构）。
2. 成果性考核（占比 30%）
   • 综述报告：完成一篇 3000 字左右的综述文章，结构包括：活性物质基础简介、AI 建模方法分类（如监督学习、无监督学习在其中的应用）、典型案例分析、未来发展展望，要求逻辑清晰、图文结合（可参考上述文献的分类方式）。
   • AI 建模实践展示：用 Python 实现一个简单的 AI 模型（如基于 LSTM 的活性颗粒运动预测），提交代码文件及结果分析报告，说明模型原理、数据处理过程及与物理模型的对比结论。
3. 加分项（激励创新）
   • 若能在综述中提出 AI 与活性物质建模的新构想（如结合强化学习优化颗粒群体控制策略），或在实践中实现文献中未提及的模型改进，可获得额外津贴奖励。