Overordnede kursusmål
De studerende vil få indsigt i computationelle værktøjer og
fremgangsmåder, som kan accelerere opdagelse af nye grønne
energimaterialer som f.eks. batterier, nanokatalysatorer,
brændselsceller og solceller.
De studerende vil opnå praktisk erfaring med selvkørende
eksperimenter og machine learning-baseret orkestrerings- og
optimeringssoftware. De studerende vil implementere software, der
er i stand til at gøre en LEGO robot til et selvkørende
laboratorie, som kan blande væske med ønskede optiske egenskaber.
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
- Anvende high-throughput og machine learning-teknikker til at
optimere materialeegenskaber
- Implementere software til autonome eksperimenter
- Anvende relevant software til at analysere, fortolke og
evaluere eksperimentelle resultater
- Opsummere resultaterne i en kort rapport
- Præsentere resultaterne i en kortfattet mundtlig præsentation
for et publikum af eksperter
Kursusindhold
Et 3-ugers kursus, hvor de studerende vil deltage i forelæsninger
og udføre computerøvelser og orkestrere eksperimenter.
Følgende tre hovedområder bliver gennemgået på kurset:
1) High-throughput materialedesign (forelæsninger og øvelser)
Introduktion til computationelle metoder i materialedesign
Databaseværktøjer og high-throughput screening-strategier
2) Machine/deep learning-metoder til autonom materialeopdagelse
(forelæsninger, eksempler og øvelser)
Overvågede/uovervågede metoder, fingeraftryk, genetiske
algoritmer, Bayesianske metoder (generative algoritmer)
3) Autonome eksperimenter (teori, simuleringer og eksperimenter)
Introduktion til nødvendig software
Byg, orkestrer og diriger en LEGO-robot ud fra data fra
eksperimentelle og teoretiske databaser
Løbende analyse af produktet
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
Den foreslåede litteratur er frit tilgængelig for studerende gennem
DTU Bibliotek.
Sidst opdateret
26. april, 2021
