Overordnede kursusmål
Dette kursus giver de studerende indsigt i computationelle
værktøjer og strategier, som kan accelerere opdagelsen af nye
grønne energimaterialer som f.eks. batterier, nanokatalysatorer,
brændselsceller og solceller. De studerende vil lære at bruge
computationelle værktøjer til at styre arbejdsgange og organisere
opdagelsesprocessen ved at kombinere databaseværktøjer, planlægning
af eksperimenter, indsamling af eksperimentel data og interaktion
med forskellige machine/deep learning moduler, som vil fortolke
eksperimentel data og foreslå eksperimentelle forhold til
synteserobotter.
Kurset kombinerer forelæsninger om fundamentale aspekter og
praktisk anvendelse af software skrevet i Pythos samt specifikke
forelæsninger om metoder inden for machine og deep learning samt
design af materialer. Forelæsningerne indeholder desuden øvelser.
De studerende vil bruge den programmering, de har lært under de
teoretiske forelæsninger, til at bygge og kontrollere en robot i
forbindelse med praktiske øvelser. De anvendte programmer og
moduler er open source og skrevet i Python. De vil blive anvendt
med specifikke formål.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Beskrive fysikken bag nøgleanvendelser af energimaterialer og
hvordan computersimuleringer og materialeegenskaber kan
forbindes
- Forstå og anvende machine learning og deep learning metoder til
at analysere materialedata og guide opdagelse af materialer
- Forstå og anvende computationelle og eksperimentelle databaser
til opdagelse af materialer (fokus på proveniens, reproducerbarhed
og FAIR)
- Anvende high-throughput og machine learning teknikker til at
optimere materialeegenskaber
- Tilpasse workflow og anvende infrastrukturer til at forbinde
simuleringer, eksperimenter og syntese
- Anvende relevant software til at analysere, fortolke og
dirigere eksperimentel karakterisering
- Optimere koncentrationer af reagenser ved hjælp af
robotter
- Opsummere resultaterne i en kort rapport
Kursusindhold
Et 3-ugers kursus, hvor de studerende vil deltage i forelæsninger
og udføre/styre laboratorieøvelser.
High-throughput materialedesign
Introduktion til computationelle metoder i materialedesign
(klassiske kraftfelter, elektronstruktur, molekylær dynamik)
Strukturelle, elektroniske og optiske egenskaber af materialer med
anvendelse indenfor energi (teori og øvelser)
Databaseværktøjer og high-throughput screening strategier
(eksempler og øvelser)
Machine learning
Machine/deep learning-teknikker til autonom materialeopdagelse:
overvågede/uovervågede metoder, fingeraftryk, genetiske
algoritmer, Bayesianske metoder (generative algoritmer)
(forelæsninger, eksempler and øvelser)
Autonom syntese og karakterisering
Introduktion til programmering og Python
Opbygning, orkestrering og dirigering af en LEGO-robot ud fra data
fra eksperimentelle og teoretiske databaser
Løbende analyse af synteseproduktet
Litteraturhenvisninger
1) Alán Aspuru-Guzik, Kristin Persson, Daniel Tabor, Tejs Vegge, et
al, Materials Acceleration Platform - Accelerating Advanced Energy
Materials Discovery by Integrating High Throughput Methods with
Artificial Intelligence;
http://mission-innovation.net/wp-content/uploads/2018/01/Mission-Innovation-IC6-Report-Materials-Acceleration-Platform-Jan-2018.pdf
2) Goodfellow, Bengio and Courville. Deep Learning, MIT Press, SBN:
9780262035613 (2016);
https://findit.dtu.dk/en/catalog/2350961954;http://www.deeplearningbook.org/
3) Roch et al. ChemOS: Orchestrating autonomous experimentation;
Science Robotics 20 Jun 2018: Vol. 3, Issue 19, eaat5559;
https://findit.dtu.dk/en/catalog/2436052013
4) Häse et al. PHOENICS: A universal deep Bayesian optimizer;
arXiv:1801.01469 (2018);
https://findit.dtu.dk/en/catalog/2395265246
5) Computational Screening of Light-Absorbing Materials for
Photoelectrochemical Water Splitting, I. E. Castelli, K. Kuhar, M.
Pandey, and K. W. Jacobsen, in Advances in Photoelectrochemical
Water Splitting, ed. D. Tilley, S. Lany and R, van de Krol, RSC
Editor, February 2018;
https://findit.dtu.dk/en/catalog/2434296929
All the suggested literature is freely available for the students
at the DTU library.
Sidst opdateret
27. april, 2020
