K.I. und Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers
Wann und Wo
Semesterprojekt: Dienstag, 9-13 Uhr, RUD 26, 1'307
Wer
Dozent: Marc Carwehl / Dr. Thomas Vogel
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, die gut simuliert werden können (z.B. die Parameter der optischen Elemente, u.a. die Parameter des Reflection Zone Plate). 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 20-minütigen Vortrag vorstellen und ein kurzes Paper dazu schreiben.
Inhalte:
- Einführung in die Grundlagen von Machine Learning und K.I.
- Arbeiten mit Python, Numpy, Matplotlib
- Datasets und Simulationen
- Deep Learning und Neural Networks mit Pytorch
- Supervised Learning