47332 AI-orkestrerede selvkørende laboratorier

2024/2025

AI-orkestrerede selvkørende laboratorier til at accelerere opdagelse af nye energimaterialer.
Kursusinformation
AI-orchestrated self-driving labs
Engelsk
5
Kandidat
Retningsspecifikt kursus (MSc), Sustainable Energy
Retningsspecifikt kursus (MSc), Sustainable Energy Technologies
Teknologisk specialisering (MSc), Sustainable Energy
Juni
Campus Lyngby
Kurset vil bestå af forelæsninger, praktiske øvelser og autonome roboteksperimenter.
3-uger
Sidste dag(e) i 3-ugersperioden
Mundtlig eksamen og bedømmelse af rapport(er)
En grupperapport, der skal afleveres i slutningen af kurset. Der gives en overordnet bedømmelse på baggrund af rapporten, den mundtlige gruppepræsentation og individuelle spørgsmål.
7-trins skala , intern bedømmelse
Grundlæggende viden om fysisk kemi, faststoffysik og/eller datalogi er påkrævet for at tage dette kursus. Basale programmeringsfærdigheder (f.eks. Python) er også påkrævet.
47205/10031/02631 , Bachelor i Fysik og Nanoteknologi eller Kemi og Teknologi eller Produktion og Konstruktion eller Elektroteknologi eller General Engineering eller Softwareteknologi eller Matematik og Teknologi eller tilsvarende.
Minimum 10 Maksimum: 20
Jinhyun Chang , Lyngby Campus, Bygning 313 , jchang@dtu.dk
Ivano Eligio Castelli , Lyngby Campus, Bygning 301, Tlf. (+45) 4525 8206 , ivca@dtu.dk
Arghya Bhowmik , arbh@dtu.dk
47 Institut for Energikonvertering- og lagring
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
Overordnede kursusmål
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 omdanne et brugerdefineret Arduino-baseret setup udstyret med pumper og farvesensorer til et selvkørende aboratorium, som kan blande væske med ønskede optiske egenskaber.

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.

Herudover vil studerende opnå ekspertise i at arbejde med open-source databaser, data-API’er og FAIR-principper.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Beskrive fysikken bag anvendte materialer til energiproduktion og hvordan computersimuleringer og materialeegenskaber kan forbindes
  • Forstå og anvende machine learning- og deep learning-metoder til at analysere materialedata og guide til opdagelse af nye materialer
  • Forstå og analysere computationelle og eksperimentelle databaser til opdagelse af materialer
  • Anvende Bayesiansk optimering og andre machine learning-teknikker til at optimere udvalgte materialeegenskaber
  • Implementere software til at udføre autonome roboteksperimenter
  • Anvende relevant software til at analysere, fortolke og evaluere eksperimentelle resultater
  • Opsummere resultaterne i en kort rapport
  • Præsentere resultaterne i en kortfattet mundtlig præsentation foran et publikum af eksperter
Kursusindhold
Et 3-ugers kursus, med fokus på at lære de metoder og værktøjer, som er nødvendige for AI-orkestrerede selvkørende laboratorier, hvor de studerende vil deltage i forelæsninger, høre indslag fra industrien, udføre computerøvelser og lave eksperimenter.

Følgende tre hovedområder bliver gennemgået på kurset:

1) Datadreven materialeopdagelse (forelæsninger og øvelser)
Introduktion til computationelle metoder i materialedesign
Database og API værktøjer, FAIR data og high-throughput screening-strategier

2) Machine/deep learning-metoder til autonom materialeopdagelse (forelæsninger, eksempler og øvelser).
Overvågede/​uovervågede metoder, fingeraftryk, Bayesianske metoder (generative algoritmer)

3) Autonome eksperimenter (teori, simuleringer og eksperimenter)
Introduktion til nødvendig software og hardware
Orkestrering af et brugerdefineret Arduino-baseret hardware setup baseret på data fra eksperimentelle og teoretiske databaser.
Realtidsanalyse af behandlet data
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) Gutierrez, Folkmann, Tribukait, and Roch. How to Accelerate R&D and Optimize Experiment Planning with Machine Learning and Data Science; Chimia, Vol. 77, Issue 1-2, 2023: https:/​/​findit.dtu.dk/​en/​catalog/​6417ca74642ed13abb19cf6b
4) Kandasamy et al. Tuning Hyperparameters without Grad Students: Scalable and Robust Bayesian Optimisation with Dragonfly; arXiv:1903.06694 (2019); https:/​/​findit.dtu.dk/​en/​catalog/​5c8f88a3d9001d018b0b0cd5
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
02. maj, 2024