微信扫一扫
打开链接，First句就定调：“数字革命在数据结构、机器学习和AI上的推进，催生了对下一代材料数据科学家的需求。”这句话翻译过来就是——材料科学不再只靠炉子、显微镜和试错，它现在也需要会写特征工程、会跑回归分类、会管材料数据库的人。
UCL把这门课放在 UCL East 的 Marshgate 楼，归 Institute for Materials Discovery（IMD），而不是老校区Bloomsbury的化学/物理系。这个选址本身有含义：东伦敦是伦敦数字制造和量子材料初创的聚集带，IMD 和校内化工、计算机、商学院的数字制造硕士（Digital Manufacturing of Advanced Materials MSc）形成邻居关系。
项目底色：三根线拧成一年
- 归属：Faculty of Mathematical & Physical Sciences → Institute for Materials Discovery；1年全日制，9月开学；2026/27国际学费 £42,700，本土£16,800。
- 校区：UCL East, Stratford（7 Sidings Street, Marshgate），不是主校区
- 语言：UCL Level 1 = 雅思6.5（单项6.0），或托福92（R/W 24, S/L 20），可配Pre-sessional；比管院/文学院7.0档低一档
- 学术：英本 2:2（二等二） 起或海外同等；物理、化学、高分子、材料、生物背景均可；2:1更有竞争力，双非建议85+，211/985建议80+
- ATAS：部分国际生拿offer后会被要求ATAS clearance（材料/工程类常见），处理最长6个月，建议早投早查
- 申请费：£90，每人每周期最多投2个UCL硕士
课表重心：PSPP被数据重新激活
传统材料硕士教你怎么通过实验建立“加工条件→显微结构→性能”的直觉。这个项目不推翻这条链，而是把数据驱动方法插进每一环：
Term 1 打底
- Microstructural Control in Advanced Materials（先进材料微观结构控制）
- Advanced Materials Processing and Manufacturing（加工与制造）
- Research Design and Methods（研究设计方法）
- Integrated Data-driven Materials Science and Digitalisation（集成数据驱动材料科学与数字化，路由必修课）
Term 2 加深
- Advanced Materials Characterisation（先进表征）
- Materials Design, Selection and Discovery（材料设计、选择与发现）
- Machine Learning and Data-driven Materials Science（机器学习与数据驱动材料科学，路由核心）
- 启动 6个月独立科研项目（多尺度建模 / 材料发现 / ML预测性能）
Term 3 + Summer
- 科研项目的书面论文 + viva + 口头报告
- 毕业需修满180学分
方法论上重点练三样：回归与分类（性能预测）、特征提取（从XRD/SEM/TEM图里抽变量）、数据聚类（相似材料族归类）。工具链覆盖Python、材料数据库（Materials Project类）、计算建模（密度泛函、分子动力学入门）与实验数据清洗。
它和“纯材料硕士”“纯数据科学硕士”的分叉
vs 传统 MSc Materials Science（如曼大/帝国理工材料硕士）
- 传统项目重心在实验技能、表征技术、某类材料（金属/陶瓷/高分子）深钻
- UCL这个把“实验”压缩，把“用数据加速发现”放大——你还是会碰表征，但目的是喂给模型
vs 纯 MSc Data Science / AI
- 数据科学硕士不关心晶界、相变、烧结动力学
- 这个项目要求你看得懂PSPP物理意义，再用ML工具——懂材料的ML用户，不是懂ML的材料外行
vs UCL同门 Digital Manufacturing of Advanced Materials MSc
- 数字制造硕士偏“自动化合成+机器人+高通量实验+产线数字化”，归化工系语境
- 数据驱动材料硕士偏“材料数据库+建模+发现”，归IMD物理与材料语境，更坐办公室/超算，少碰机械臂
谁适合把这门课吃透
- 本科：材料、化学、物理、高分子、应用化学、生物材料、甚至化工（有固体物理底子）
- 经历加分：用过Materials Project / OQMD、跑过简单DFT（VASP/GPAW入门）、用sklearn做过回归、毕业设计做“XX材料性能预测”
- 职业指向：
- 企业：Shell、Johnson Matthey、Rolls-Royce、Merck、Oxford Instruments、华为、字节、P&G、Coca-Cola 的材料数据/研发岗（官网列举）
- 行业：航空航天材料、锂电/固态电池、催化剂、生物材料、纳米材料、材料信息学创业
- 学术：直博（往届去牛津、IC、Purdue、UCL自己PhD等）
27fall实操提醒
- 2026年10月开闸即投：IMD项目规模不大，每年招生有限，滚动到次年6月，但热门方向（电池/ML）首轮（10—12月）就占坑
- ATAS预留时间：若本科涉及“材料+工程”交叉且拿offer后被要求ATAS，至少留 4—6个月 缓冲，别拖到次年5月才申
- PS别写“我喜欢新材料”：要写“我在XX实验里发现，单靠试错调烧结温度太慢，想用特征提取+回归把配方空间缩小”——把PSPP和数据方法绑在一起讲
- 推荐信：一位学术（带过你材料/化学实验课或毕设）+ 一位能证明你量化/编程能力的（毕设导师/计算材料组研究员）
- 语言6.5(6.0)是硬杠但比7.0好够：现在雅思6.0单项5.5的同学，暑假再考一次基本能达；差得多再走UCL语言班
UCL把这门课立在UCL East而不是Bloomsbury，信号很直白：材料发现的下一站不在烧瓶里，而在材料数据库、特征工程和跨尺度建模里。它不培养传统冶金师，也不培养纯算法工程师，它培养的是能把晶界、相图和随机森林放在同一张幻灯片里解释的人——这类人在电池、催化、航天复材和材料AI初创里，正变得越来越稀缺。
