Maskinlæringsteknikker (ML) inden for materialevidenskab bruges til at accelerere opdagelsen og designet af nye materialer og systemer. Dette kursus vil dække det grundlæggende i ML-metoder, der er skræddersyet til materialevidenskabelige applikationer. De overordnede strategier for datadrevet accelereret materialevidenskab, herunder datainfrastruktur, vil blive diskuteret.

Det vil give indsigt i centrale forskningsmetoder, såsom multiskalasimuleringer, automatiseret materialesyntese med eksperimentplanlægning, materialekarakteriseringsteknikker og test på systemniveau, der kan drage fordel af AI-acceleration for at spare tid og penge.

Vi vil dække ML til at accelerere eksperimentelle og beregningsmetoder, der anvendes i materialeforskning på flere længde- og tidsskalaer, fra atomar skala til systemniveau.

Med projektdrevne læringsmål vil de studerende få praktisk erfaring med, hvordan ML-metoder kan bruges til at accelerere alle stadier af materialeopdagelse til beregningsmetoder og eksperimentelle teknikker. 4-ugers gruppeprojekt, hvor de studerende arbejder sammen om at anvende ML-teknikker på en specifik materialevidenskabelig metode. Projektresultatet er en skriftlig rapport og præsentation. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forklar de datadrevne strategier til at accelerere materialeopdagelse, herunder essentiel datavidenskabelig infrastruktur og bedste praksis for håndtering af store multi-fidelity datasæt.
• Opsummer centrale ML-teknikker og deres anvendelser inden for materialevidenskab, herunder superviseret og uovervåget læring, forstærkningslæring og generative modeller.
• Identificer de materialevidenskabelige metoder, der anvendes i materialeopdagelse inden for beregningssimulering, syntese og karakteriseringsteknikker, som vil drage fordel af acceleration med maskinlæringsmodellering.
• Anvend feature engineering, dataforbehandling og udforskende analyse på materialevidenskabelige datasæt.
• Opret ML-surrogatmodeller for at accelerere fysikbaserede materialesimuleringer på en af ​​skalaerne - molekylær dynamik, fasefeltsimulering eller finite element-simulering.
• Implementer ML-værktøj og -workflow til planlægning af materialesyntese, design af eksperimenter eller accelereret testning og karakterisering.
• Analyser kritisk ydeevnen af ​​ML-modeller inden for rammerne af projekter med at accelerere simuleringer eller materialekarakterisering ved at samarbejde i teams.
• Udarbejd en skriftlig rapport, der beskriver projektets mål, metoder, resultater og opnåede indsigter, og lav en forskningspræsentation.

Principper for anvendt datalogi, datasæt, FAIR-data, udforskende analyse af materialedata, surrogatmodeller til accelererede simuleringer, omvendt design med generative modeller, AI-integrerede materialedesign-arbejdsgange, design af eksperimenter, maskinlæring i karakterisering og testning af accelererede materialesynteseprocesser.
Litteraturreferencer.
Bogkapitler, oversigtsartikler og indsamlede online læringsressourcer vil blive leveret. 20. maj, 2025