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