L'apprentissage profond en science et ingénierie des matériaux : des concepts aux applications

Aperçu

ABOUT THE COURSE:

Why Deep Learning in MSE? Deep Learning has widely been used in various sectors; health care, finance, agriculture, education, energy, entertainment etc have been using Deep Learning to improve their performances.

Tech giants have been pushing their boundaries to achieve more as Deep Learning is the driving force everywhere and similarly the demand for skilled professional has steeply been rising. The design and discovery of new materials, processing optimization and prediction of properties would require applications of Deep Learning techniques and even deployment of the same.

The present course is meant for students preparing for higher studies, researchers applying AI tools, the industry professionals wanting to upskill. This is a balanced course with conceptual learning and hands-on with ability to build intuition, apply concepts to data, and interpret model output.

Upon successfully completing this course, you will have a mini portfolio of Deep Learning projects, which can be showcased to the potential employers or use for research.INTENDED AUDIENCE:

Materials, Mechanical, Physics, ChemistryPREREQUISITES:

Knowledge of Artificial Intelligence and Machine Learning

Programme

• Introduction à l'apprentissage profond en science des matériaux
Aperçu de l'apprentissage profond
Importance pour la science et l'ingénierie des matériaux (MSE)
Objectifs du cours et résultats attendus
• Fondamentaux de l'apprentissage profond
Bases des réseaux neuronaux
Fonctions d'activation et techniques d'optimisation
Surapprentissage et techniques de régularisation
Cadres d'apprentissage profond (TensorFlow, PyTorch)
• Gestion des données en MSE
Types de données et sources en science des matériaux
Prétraitement des données et normalisation
Techniques d'extraction de caractéristiques spécifiques à la MSE
• Conception d'architecture pour la science des matériaux
Réseaux de neurones convolutifs (CNN) pour l'analyse des microstructures
Réseaux de neurones récurrents (RNN) pour les données en série temporelle
Autoencodeurs pour la prédiction des propriétés des matériaux
• Application de l'apprentissage profond dans la conception et la découverte de matériaux
Études de cas sur la découverte de matériaux utilisant l'apprentissage profond
Modélisation prédictive des propriétés des matériaux
Applications dans les nanomatériaux et les composites
• Optimisation des processus utilisant l'apprentissage profond
Simulation et optimisation des processus de fabrication
Apprentissage par renforcement profond pour le contrôle des processus
• Interprétation et visualisation des résultats des modèles
Techniques pour l'explicabilité des modèles
Outils de visualisation pour l'interprétation des résultats de l'apprentissage profond
• Projets pratiques
Projet 1 : Construction d'un CNN pour l'analyse des microstructures
Projet 2 : Prédiction des propriétés des matériaux avec des autoencodeurs
Projet 3 : Optimisation des processus dans la fabrication de matériaux
• Déploiement de modèles d'apprentissage profond
Introduction au déploiement des modèles dans les environnements de production
Meilleures pratiques pour la maintenance et la mise à jour des modèles
• Tendances futures et défis de l'apprentissage profond pour la MSE
Technologies émergentes et applications
Considérations éthiques et défis
• Revue de cours et développement de portefeuille
Revue des concepts clés
Conseils pour construire et présenter un portefeuille de projets
• Évaluation et certification
Quiz et examens pratiques
Présentation et évaluation du projet final

---

Enseigné par

Prof. Krishanu Biswas

---

Matières

Computer Science