Humboldt-Universität zu Berlin - Mathematisch-Naturwissenschaftliche Fakultät - Software Engineering

Humboldt-Universität zu Berlin | Mathematisch-Naturwissenschaftliche Fakultät | Institut für Informatik | Software Engineering | Lehre | Archiv | SS 2021 | Semesterprojekt: Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers

Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers

 


Covid-19 Information:

Das Semesterprojekt findet statt. Details hierzu wurden an alle via Agnes registrierten Teilnehmer*innen versendet. Sollten Sie keine Informationen bekommen haben und dennoch am Kurs teilnehmen wollen, können Sie die Informationen auch per E-Mail erfragen. Bitte nutzen Sie dazu ihre HU E-Mail Adresse.

 

Wann und Wo

Semesterprojekt: Montag, 9-13 Uhr

Wer

Dozent: Dr. Thomas Vogel / Prof. Lars Grunske

Betreuung HZB: Peter Feuer Forson, Dr. Gregor Hartmann

Beschreibung und Aufbau der Lehrveranstaltung

Aktuell kommen künstliche Intelligenzen insbesondere dann zum Einsatz, wenn die Dimensionalität des Problems so gross wird, dass klassische Daten-Analyse-Methoden versagen. In diesem Semesterprojekt soll physikalische Grundlagenforschung mit K.I.-Methoden unterstützt und verbessert werden. Die Synchrontronstrahlungsquelle BESSY II bietet eine Vielzahl an Möglichkeiten, Atome und Moleküle sowohl in ihrer räumlichen Struktur als auch in ihrer Zeitdomäne zu untersuchen. Ein oft eingesetzter experimenteller Aufbau ist Fluoreszenz-Spektroskopie, wobei die von dem Atom/Molekül abgestrahlten Photonen nach Anregung mit Synchrotronstrahlung untersucht werden. Die dabei verwendeten Detektoren haben eine Vielzahl an Designmöglichkeiten (Geometrie, Gittereigenschaften, verwendete Materialien etc.), die gut simuliert werden können, jedoch sind so viele Simulationsparameter vorhanden, dass man das “optimale” Spektrometer nicht mit etablierten Optimizern bestimmen kann.

Diese Aufgabe soll nun von der im Semesterprojekt erarbeiteten K.I. übernommen werden. Dabei werden erst die Grundlagen von Machine Learning eingeführt und diese dann auf das Spektrometeroptimierungsproblem angewandt. Zum Schluss werden die teilnehmenden Studierenden ihre Arbeit in einem 30-minütigen Vortrag vorstellen und einen gemeinsamen Semesterreport (30-40 Seiten) dazu schreiben.

Inhalte:
  • Einführung in die Grundlagen von Machine Learning
  • Arbeiten mit Python, Numpy, Matplotlib
  • Datasets und Simulationen
  • Deep Learning mit Pytorch
  • Reinforcement Learning