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

Humboldt-Universität zu Berlin | Mathematisch-Naturwissenschaftliche Fakultät | Institut für Informatik | Software Engineering | Lehre | Archiv | SS 2022 | Semesterprojekt: Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers

Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers

 


Covid-19 Information:

Das Semesterprojekt findet statt und ist zunächst als Präsenzveranstaltung geplant. Details hierzu werden an alle über Agnes registrierten Teilnehmer*innen versendet.

 

Wann und Wo

Semesterprojekt: Freitag, 9-13 Uhr, RUD 25, 4.113

Wer

Dozent: Prof. Lars Grunske

Betreuung HZB: Peter Feuer Forson, Dr. Gregor Hartmann

Beschreibung und Aufbau der Lehrveranstaltung

In diesem Semesterprojekt werden die Grundlagen des maschinellen Lernens erarbeitet, wobei vom einzelnen Neuron aus startend insbesondere Deep-Learning-Techniken wie Multi-Layer-Perceptron, Convolutional-Neural-Network und Autoencoder im Fokus stehen werden. Aktuell kommen künstliche Intelligenzen insbesondere dann zum Einsatz, wenn die Dimensionalität des Problems so groß wird, dass klassische Daten-Analyse-Methoden versagen. Zum Beispiel ist die Anwendung mächtiger Simulationsumgebungen meist dadurch beschränkt, dass die Vielzahl von Simulationsparametern kombiniert mit der benötigten Rechenzeit es unmöglich macht, den gesamten Parameterraum auszuwerten. Das Lösen einer solchen Aufgabenstellung mit maschinellen Lernen wird anhand des Designprozesses eines Fluoreszenz-Spektrometers, das an der Synchrontronstrahlungsquelle BESSY II zum Einsatz kommen soll, erörtert. Dabei wird die K.I. die Entscheidung treffen, welche der großen Anzahl an Designmöglichkeiten (Geometrie, Gittereigenschaften, verwendete Materialien etc.) am Ende zum “optimalen” Spektrometer führt, um Atome und Moleküle sowohl in ihrer räumlichen Struktur als auch in ihrer Zeitdomäne zu untersuchen.

Zum Schluss stellen die teilnehmenden Studierenden ihre Arbeit in einem 30-minütigen Vortrag vor und schreiben einen gemeinsamen Semesterreport (30-40 Seiten) dazu.

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