Maschinelles Lernen auf der atomaren Skala

Worum geht's

Du lernst, wie maschinelles Lernen auf atomare Systeme (Moleküle, Festkörper) angewendet wird: von Datengenerierung mit DFT/Quantenchemie über geeignete atomistische Deskriptoren bis zu maschinell erlernten interatomaren Potentialen und Hamiltonian-Lernen. Am Ende kannst du Datensätze analysieren, passende Darstellungen auswählen, ML-Modelle trainieren und bewerten sowie ein eigenes atomistisches ML-Projekt durchführen.

Was du danach kannst

• Bedeutung von ML für atomistische Systeme kennenlernen
• atomistische Datengenerierung verstehen
• Überblick über atomistische Deskriptoren erlangen
• Erfahrung mit maschinell erlernten interatomaren Potentialen sammeln
• verschiedene Anwendungen des ML für atomistische Systeme kennenlernen
• praktische Erfahrung mit Python-Notebooks sammeln
• verschiedene ML-Methoden in Python anwenden
• grundlegende Datenanalysen durchführen
• atomistische Probleme mit geeigneten ML-Ansätzen angehen
• Präsentationen zu atomistischem ML folgen können
• atomistische Forschungsfragen für ML identifizieren
• geeignete Darstellungen als Input auswählen
• Methodenwahl für Darstellungen begründen
• Leistung von ML-Modellen bewerten und verbessern
• ein atomistisches ML-Projekt durchführen
• ML-Anwendungen kritisch kommentieren

Aus was das Modul besteht

• Vorlesungvermittelt Grundlagen und Konzepte des atomaren maschinellen Lernens
• Computerübungen / Tutorials (Python-Notebooks)illustrieren praktische Beispiele und vermitteln Anwendung
• Projektarbeitermöglicht eigenständiges Arbeiten an einem atomistischen ML-Problem

Lehrmethode

• Vorlesungeneinführen in Theorie und Methoden
• Computerübungenpraxisnahe Anwendung der Methoden in Python-Notebooks
• Projektarbeitvertiefte, eigenständige Anwendung und Transfer auf Forschungsfragen