|
Vyučující
|
|
|
|
Obsah předmětu
|
Týden 1: Generování nových molekulárních struktur - Praktická implementace generativního modelu (Variační autoenkodér) pro návrh nových, validních molekulárních řetězců (SMILES) z latentního prostoru. Týden 2: Návrh nových slitin s vysokou entropií (HEA) - Využití generativních modelů (GAN, difuzní modely) k navrhování nových složení a krystalových struktur HEA. Porovnání výstupů a vhodnosti obou přístupů pro materiálový návrh. Týden 3: Strategie efektivního experimentování - Implementace smyčky aktivního učení pro inteligentní výběr nejinformativnější simulace nebo experimentu s cílem urychlit objevování materiálů s minimem dat. Týden 4: Optimalizace materiálových vlastností - Praktické nasazení bayesovské optimalizace pro efektivní nalezení optima (např. maximální tvrdosti) ve složitém návrhovém prostoru s co nejmenším počtem drahých simulací. Týden 5: Projekt: Inverzní návrh HEA s vysokou tvrdostí - Propojení generativního modelu pro návrh kandidátních HEA slitin a bayesovské optimalizace pro efektivní nalezení složení s nejvyšší predikovanou tvrdostí. Týden 6: Simulace fyzikálních procesů v materiálech - Sestavení fyzikálně informované neuronové sítě (PINN), která při trénování respektuje fyzikální zákony, na příkladu řešení 1D rovnice difúze. Týden 7: Modelování difúze vodíku v oceli - Aplikace PINN pro modelování časového vývoje koncentrace vodíku v kovové desce. Řešení inverzního problému: odhad difúzního koeficientu z omezených experimentálních dat. Týden 8: Predikce vlastností s omezenými daty - Aplikace transferového učení s využitím pokročilé grafové sítě (MEGNet) předtrénované na rozsáhlé databázi k predikci nové vlastnosti na výrazně menším, specifickém datasetu. Týden 9: Od predikce k návrhovým principům - Interpretace modelu grafové neuronové sítě pro predikci fázové stability slitin. Analýza vlivu jednotlivých prvků na stabilitu a formulace hypotéz pro návrh nových materiálů. Týden 10: Optimalizace parametrů 3D tisku - Vytvoření náhradního modelu, který mapuje procesní parametry (výkon laseru, rychlost) na výslednou kvalitu dílu (např. pórovitost) a umožňuje tak efektivní optimalizaci procesu. Týden 11: Návrh automatizovaného experimentálního workflow - Koncepční návrh uzavřené smyčky pro optimalizaci 3D tisku, která integruje náhradní model a bayesovskou optimalizaci pro autonomní návrh dalších experimentů. Týden 12: Závěrečný projekt (Část 1): Návrh nové HEA slitiny - Zahájení práce na komplexním výzkumném návrhu kombinujícím více naučených metod pro návrh nové HEA slitiny pro aditivní výrobu s odolností vůči vodíku. Týden 13: Závěrečný projekt (Část 2): Dokončení a hodnocení - Finalizace výzkumného návrhu a provedení vzájemného hodnocení (peer review) zaměřeného na vědeckou a technickou proveditelnost navrženého řešení.
|
|
Studijní aktivity a metody výuky
|
- Kontaktní výuka
- 52 hodin za semestr
- Projekt individuální [40]
- 40 hodin za semestr
- Nácvik dovedností [3/10]
- 3 hodiny za semestr
- Příprava na zkoušku [10-60]
- 18 hodin za semestr
- Příprava prezentace (referátu) [3-8]
- 7 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Úspěšné absolvování předmětu KMM/AIM1, znalost základních principů strojového učení aplikovaných na materiálová data.. |
| Odborné dovednosti |
|---|
| Pokročilejší schopnost algoritmizace (Python) a orientace v knihovnách pro hluboké učení (PyTorch/TensorFlow), nutná pro implementaci generativních a fyzikálně informovaných modelů. |
| Obecné způsobilosti |
|---|
| Schopnost plánovat a řídit vlastní učení a práci na projektu. |
| Výsledky učení |
|---|
| Odborné znalosti |
|---|
| Vysvětlí principy inverzního návrhu materiálů, tedy postupu, jak cíleně generovat chemické složení a strukturu (např. u HEA slitin) na základě požadovaných cílových vlastností pomocí generativních modelů (VAE, GAN, difuzní modely). Rozumí teorii fyzikálně informovaných neuronových sítí (PINNs) a chápe, jak lze začleněním fyzikálních zákonů (např. Fickovy zákony difúze) do modelu nahradit nebo zpřesnit klasické numerické simulace dějů v materiálu. Popíše strategie pro efektivní experimentování, konkrétně jak využít aktivní učení a bayesovskou optimalizaci k minimalizaci počtu drahých fyzických testů či simulací při hledání optima (např. maximální tvrdosti). Zná možnosti predikce vlastností při nedostatku dat, včetně využití přenosu znalostí (transfer learning) z velkých obecných databází na specifické malé materiálové datasety. Orientuje se v metodách interpretace modelů (XAI), aby dokázal nejen předpovědět vlastnost, ale i odhalit, které fyzikální či chemické parametry (např. vliv konkrétního legujícího prvku) jsou pro danou vlastnost klíčové. |
| Odborné dovednosti |
|---|
| Navrhovat nové kandidátní materiály (např. slitiny s vysokou entropií) generováním jejich složení a krystalových struktur z latentního prostoru generativních modelů. Modelovat časový vývoj fyzikálních procesů, konkrétně difúzi vodíku v kovech, pomocí fyzikálně informovaných sítí (PINN) a řešit inverzní úlohy (např. odhad difúzního koeficientu z omezených měření). Optimalizovat parametry výrobních procesů (např. výkon laseru a rychlost tisku v aditivní výrobě) s využitím náhradních modelů (surrogate modeling) a bayesovské optimalizace pro dosažení požadované kvality (minimalizace pórovitosti). Aplikovat grafové neuronové sítě (GNN) pro přesnou predikci vlastností (např. fázová stabilita) přímo z atomární struktury materiálu. Sestavit automatizovaný výzkumný workflow, který integruje prediktivní model a optimalizační smyčku pro autonomní návrh dalších experimentů. |
| Obecné způsobilosti |
|---|
| Samostatně formulovat komplexní výzkumný problém v materiálové vědě a navrhnout pro něj vhodné, na míru šité AI řešení. Kriticky hodnotit a porovnávat různé špičkové AI architektury a zdůvodnit jejich výběr pro daný úkol. Syntetizovat znalosti z více oblastí AI do uceleného výzkumného návrhu. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Cvičení zaměřená na metodiku výzkumu: Vysvětlení principů urychleného objevování materiálů (Materials Acceleration Platforms). Analýza "State-of-the-art" publikací: Kritický rozbor aktuálních vědeckých článků o využití AI v materiálovém inženýrství. |
| Odborné dovednosti |
|---|
| Projektově orientovaná výuka: Simulace reálného výzkumného cyklu - od generování hypotéz (návrh materiálu) po virtuální validaci. Workshopy na pokročilé nástroje: Implementace aktivního učení a bayesovské optimalizace pro řízení experimentů. |
| Obecné způsobilosti |
|---|
| Vedení k samostatné práci. Podpora týmové spolupráce. Rozvoj prezentačních dovedností. |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Zkouška s důrazem na schopnost navrhnout vhodnou AI strategii pro řešení komplexního materiálového problému (např. "Jak byste navrhl slitinu s maximální tvrdostí s minimem experimentů?"). |
| Odborné dovednosti |
|---|
| Obhajoba závěrečného výzkumného projektu, kde student prezentuje nově navržený materiál (např. HEA slitinu) nebo optimalizovaný procesní parametr, včetně validace navrženého řešení. |
| Obecné způsobilosti |
|---|
| Schopnost samostatné i týmové práce na komplexním problému. Kritické myšlení. Prezentační dovednosti. |
|
Doporučená literatura
|
-
Atwakyire Moses, Ying Gui, Ding Chen. Accelerated material discovery of high-performance Mg alloys via active learning and high throughput multi-objective informed Bayesian optimization. 2025.
-
George Em Karniadakis, Ioannis G. Kevrekidis, Lu Lu, Paris Perdikaris, Sifan Wang & Liu Yang. Physics-informed machine learning. 2021.
-
Hao-ran Zhou, Hao Yang, Huai-qian Li, Ying-chun Ma, Sen Yu, Jian Shi, Jing-chang Cheng, Peng Gao, Bo Yu, Zhi-quan Miao & Yan-peng Wei. Advancements in machine learning for material design and process optimization in the field of additive manufacturing. 2024.
-
Joohwi Lee, Ryoji Asahi. Transfer learning for materials informatics using crystal graph convolutional neural network. 2021.
-
Litao Chen, Wentao Zhang, Zhiwei Nie, Shunning Li, Feng Pan. Generative models for inverse design of inorganic solid materials. 2021.
|