ژنوم مواد رویکردی داده‌محور و سیستماتیک در علوم و مهندسی مواد است که با هدف تسریع فرایند کشف، طراحی و بهینه‌سازی مواد جدید، توسعه یافته و از طریق ترکیب پایگاه‌های داده گسترده، شبیه‌سازی‌ها و مدل‌سازی‌ محاسباتی، زمان توسعه مواد را از دهه‌ها به سال‌ها و حتی ماه‌ها کاهش می‌دهد. در این میان، هوش مصنوعی و یادگیری ماشین با توانایی تحلیل الگوهای پیچیده و پیش‌بینی دقیق خواص مواد، نقش مهمی در ارتقای دقت و سرعت طراحی مواد ایفا می‌کنند و به پژوهشگران امکان می‌دهند تا از میان میلیون‌ها ترکیب بالقوه، گزینه‌های مناسب را در زمان بسیار کوتاه شناسایی کنند.

در این کارگاه، مفاهیم بنیادین ابتکار ژنوم مواد، چرخه طراحی تا ساخت، کاربرد پایگاه‌های داده و روش‌های شبیه سازی دینامیک مولکولی و یادگیری ماشین در تحلیل و پیش‌بینی خواص مواد ارائه می‌شود. همچنین شرکت‌کنندگان با نمونه‌های واقعی کاربرد هوش مصنوعی در حوزه‌هایی مانند باتری‌ها، آلیاژها، مواد معدنی، کامپوزیت‌ها و سایر مواد آشنا خواهند شد. بخش عملی دوره شامل استخراج داده از پایگاه‌های معتبر، شبیه سازی دینامیک مولکولی و پیاده سازی یک مدل یادگیری ماشین برای پیش‌بینی خواص مواد است. این کارگاه برای پژوهشگران، مهندسان و علاقه‌مندان علوم مواد و هوش مصنوعی طراحی شده و دیدی جامع نسبت به آینده داده‌محور حوزه مواد ارائه می‌دهد.

سرفصل مطالب

• ژنوم مواد چیست و چرا مهم است؟
• کاربرد های ژنوم مواد در علم مواد و صنعت
• نقش شبیه سازی های محاسباتی در ژنوم مواد
• جایگاه دینامیک مولکولی در ژنوم مواد
• اصول شبیه سازی دینامیک مولکولی
• جایگاه یادگیری ماشین در ژنوم مواد
• یادگیری ماشین در علم مواد با تمرکز بر شبیه سازی دینامیک مولکولی

کارگاه عملی:

• شبیه‌سازی دینامیک مولکولی ساختار گرافن
• محاسبه خواص و ساخت دیتاست
• مدل‌سازی داده‌محور خواص مکانیکی گرافن
• ارزیابی مدل و تفسیر نتایج