Yapay Zeka ile İleri Malzeme Bilimi Eğitimi

Eğitim Hakkında

Bu eğitim, malzeme keşfi ve geliştirme süreçlerini makine öğrenmesi, simülasyon ve otonom deney yaklaşımlarıyla hızlandırmak isteyen Ar-Ge ekipleri için hazırlanmış ileri düzey bir programdır. Katılımcılar açık malzeme veritabanlarından özellik tahminine, graf sinir ağları ve evrensel atomlar arası potansiyellerden üretken tasarım ve Bayes optimizasyonuna uzanan bir iş akışını uygular.

Neden Bu Eğitim?

Alan Bilgisiyle YZ. Kristal yapı, faz kararlılığı ve termodinamik kavramlarını makine öğrenmesi modelleriyle doğru biçimde birleştirin.

Güncel Araç Zinciri. pymatgen, matminer, CHGNet, MACE ve BoTorch gibi araştırmada yaygın kullanılan açık kaynak araçlarla çalışın.

Deney Maliyetini Düşürün. ML ön taraması ve aktif öğrenmeyle DFT ve laboratuvar deneylerini en umut verici adaylara yönlendirin.

“Yeni malzemeler artık yalnızca fırında değil, veri, simülasyon ve yapay zekanın birlikte çalıştığı keşif döngülerinde doğuyor.”

Ön Koşullar

Malzeme Temeli — Kristal yapı, faz diyagramları ve temel termodinamik konularında lisans düzeyinde bilgi.
Python ve Veri — Python, pandas ve NumPy ile veri işleme, görselleştirme ve not defteri kullanımı deneyimi.
Makine Öğrenmesi — Regresyon, çapraz doğrulama ve scikit-learn ile model kurma konusunda uygulamalı deneyim.
Çalışma Ortamı — GPU erişimli bulut not defteri veya bilgisayar ile ücretsiz Materials Project API anahtarı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiMalzeme bilişiminin yöntem ve ölçeklerini tanımak, açık veritabanlarından veri çekmek, pymatgen ile yapı analizi yapmak ve makine öğrenmesine uygun tanımlayıcılar üretmek.

Modül 1

Malzeme Bilişimine Giriş

Deneme-yanılmadan veri güdümlü malzeme keşfine geçiş
Malzeme Genom Girişimi ve açık veri hareketi
İşlem-yapı-özellik-performans ilişkisi
Hesaplama ölçekleri: DFT, moleküler dinamik ve sürekli ortam
YZ'nin rolü: tahmin, tarama, tasarım ve otonom deney
Vaka: Batarya elektrolit adaylarının hesaplamalı taraması

Modül 2

Malzeme Veritabanları ve Veri Erişimi

Materials Project, OQMD, AFLOW ve JARVIS veritabanları
Materials Project API (mp-api) ile veri sorgulama
Kristal yapı dosya formatları: CIF ve POSCAR
OPTIMADE standardı ile birleşik veri erişimi
Deneysel veri kaynakları ve veri kalitesi sorunları
Laboratuvar: Materials Project'ten bant aralığı veri seti

Modül 3

pymatgen ile Yapı Temsili ve Analizi

pymatgen Structure, Lattice ve Composition nesneleri
Simetri analizi, uzay grupları ve koordinasyon ortamı
Faz diyagramları ve konveks kabuk (convex hull) analizi
Oluşum enerjisi ve kabuk üstü enerjinin hesaplanması
ASE ile atomik yapı oluşturma ve dönüştürme
Laboratuvar: pymatgen ile faz kararlılığı analizi

Modül 4

Tanımlayıcılar ve Özellik Mühendisliği

Bileşim tabanlı tanımlayıcılar ve Magpie özellikleri
Yapı tabanlı tanımlayıcılar: SOAP ve Coulomb matrisi
matminer ile otomatik tanımlayıcı çıkarımı
Tanımlayıcı seçimi ve fiziksel yorumlanabilirlik
Laboratuvar: matminer ile tanımlayıcı veri seti oluşturma
Günün değerlendirmesi ve özellik tahmini gününe köprü

Günün hedefiKüçük ve heterojen malzeme verisinde doğru doğrulama stratejisiyle modeller kurmak, belirsizliği ölçmek, Matbench ile kıyaslamak ve literatürden bilgi çıkarmak.

Modül 1

Klasik Modellerle Özellik Tahmini

Regresyon görevleri: bant aralığı, oluşum enerjisi, modül
Random Forest ve gradyan artırma modelleri
Küçük veri problemi ve çapraz doğrulama stratejileri
Kimyasal sisteme göre gruplanmış test kümeleri
Veri sızıntısı: polimorflar ve yinelenen bileşimler
Laboratuvar: Oluşum enerjisi tahmin modeli

Modül 2

Belirsizlik ve Yorumlanabilirlik

Gauss süreçleri ile tahmin belirsizliğinin ölçülmesi
Topluluk (ensemble) tabanlı belirsizlik tahmini
SHAP ile özellik katkıları ve fiziksel içgörü
Sembolik regresyon: SISSO ve PySR yaklaşımları
Uygulanabilirlik alanı (domain of applicability) analizi
Laboratuvar: GP ve PySR ile yorumlanabilir model

Modül 3

Kıyaslama ve Model Değerlendirme

Matbench kıyaslama görevleri ve değerlendirme protokolü
Matbench Discovery ile kararlılık tahmini kıyaslaması
Hata metrikleri: MAE, RMSE ve keşif isabet oranı
Hesaplamalı ve deneysel veriler arası sistematik farklar
Aktarım öğrenmesi: DFT verisinden deneysel veriye
Laboratuvar: Matbench görevinde model karşılaştırması

Modül 4

LLM'ler ile Malzeme Literatürü Madenciliği

Bilimsel literatürden sentez koşulu ve özellik çıkarımı
LLM'lerle yapılandırılmış veri çıkarımı ve şema doğrulama
RAG ile makale ve patent tabanlı bilgi asistanı
Halüsinasyon riski ve bilimsel doğrulama zorunluluğu
Uygulama: Makalelerden sentez parametre tablosu çıkarma
Günün özeti ve graf sinir ağları gününe hazırlık

Günün hedefiAtomik yapıları graf sinir ağlarıyla modellemek, makine öğrenmesi atomlar arası potansiyellerle yapı gevşetme ve moleküler dinamik yapmak ve DFT iş akışlarıyla entegre etmek.

Modül 1

Kristaller İçin Graf Sinir Ağları

Atomik yapıların graf temsili ve periyodik sınır koşulları
Mesaj iletimi sinir ağları (MPNN) prensibi
Graf tabanlı mimariler: CGCNN, MEGNet ve ALIGNN
Dönme ve öteleme eşdeğişkenliği (equivariance)
PyTorch Geometric ile kristal graf veri hattı
Laboratuvar: CGCNN ile malzeme özellik tahmini

Modül 2

Makine Öğrenmesi Atomlar Arası Potansiyeller

Klasik kuvvet alanları ile DFT arasındaki boşluk
ML potansiyeli kavramı: enerji, kuvvet ve gerilim tahmini
Eşdeğişken potansiyel modelleri: NequIP ve MACE
Evrensel potansiyeller: M3GNet, CHGNet ve MACE-MP
Eğitim verisi üretimi ve aktif öğrenme ile genişletme
Laboratuvar: CHGNet ile yapı gevşetme (relaxation)

Modül 3

ML Potansiyelleriyle Moleküler Dinamik

ASE ile moleküler dinamik ve termostat seçimi
LAMMPS entegrasyonu ve büyük ölçekli simülasyon
Difüzyon katsayısı ve iyonik iletkenlik hesaplama
Faz geçişleri, kusurlar ve arayüzlerin modellenmesi
Potansiyel doğrulama: fonon, elastik sabit ve DFT kıyası
Laboratuvar: Katı elektrolitte lityum iyon difüzyonu

Modül 4

DFT ile Yapay Zeka Entegrasyonu

Yoğunluk fonksiyoneli teorisi (DFT) temelleri ve maliyeti
VASP ve Quantum ESPRESSO iş akışlarına genel bakış
atomate2 ile yüksek verimli hesaplama akışları
ML ön taramasıyla DFT hesap bütçesini optimize etme
Vaka: Evrensel potansiyelle eleme, DFT ile doğrulama
Günün değerlendirmesi ve üretken tasarım gününe köprü

Günün hedefiÜretken modellerle hedef özelliklere uygun aday yapılar tasarlamak, büyük ölçekli keşif çalışmalarını eleştirel okumak ve Bayes optimizasyonuyla deney planlamak.

Modül 1

Ters Tasarım ve Üretken Modeller

İleri tahmin ile ters tasarım (inverse design) farkı
Varyasyonel otokodlayıcılarla kristal üretimi: CDVAE
Difüzyon tabanlı yapı üretimi: MatterGen yaklaşımı
Koşullu üretim: hedef özellik ve kimyasal kısıtlar
Üretilen yapılarda geçerlilik, yenilik ve kararlılık testi
Laboratuvar: Üretken modelle aday yapı üretimi ve eleme

Modül 2

Büyük Ölçekli Keşif Çalışmaları

GNoME çalışması ve büyük ölçekli kristal keşfi
Termodinamik kararlılık ile sentezlenebilirlik farkı
Keşif iddialarının deneysel doğrulanması tartışması
Polimer, MOF ve yüksek entropili alaşımlar için YZ
Moleküler malzemeler için SMILES ve RDKit kullanımı
Vaka: Hesaplamalı keşif sonuçlarının eleştirel analizi

Modül 3

Bayes Optimizasyonu ve Aktif Öğrenme

Az sayıda deneyle optimizasyon ihtiyacı
Vekil model ve edinim fonksiyonları: EI ve UCB
Çok amaçlı optimizasyon ve Pareto cephesi
BoTorch ve Ax kütüphaneleriyle deney tasarımı
Kısıtlı ve toplu (batch) deney önerileri
Laboratuvar: Alaşım bileşimi için Bayes optimizasyonu

Modül 4

Otonom Laboratuvarlar

Kendi kendine çalışan laboratuvar (self-driving lab) kavramı
Robotik sentez, hızlı karakterizasyon ve kapalı döngü
XRD ve mikroskopi verisinin otomatik analizi
Deney planlama ve iş akışı orkestrasyonu
Vaka: Otonom laboratuvarda ince film optimizasyonu
Günün özeti ve uygulama ile proje gününe hazırlık

Günün hedefiSektörel malzeme uygulamalarını incelemek, mikroyapı görüntülerini derin öğrenmeyle analiz etmek, kurumsal veri altyapısını tasarlamak ve uçtan uca tarama projesini sunmak.

Modül 1

Sektörel Malzeme Uygulamaları

Enerji depolama: katot ve katı elektrolit tasarımı
Kataliz ve hidrojen teknolojileri için malzeme taraması
Savunma ve havacılık: hafif ve yüksek sıcaklık alaşımları
Yarı iletken ve fotovoltaik malzemelerde YZ kullanımı
Katmanlı imalatta proses-yapı-özellik modelleme
Vaka: Endüstriyel Ar-Ge'de YZ destekli formülasyon

Modül 2

Mikroyapı ve Karakterizasyon Görüntü Analizi

SEM ve TEM görüntülerinde derin öğrenme ile bölütleme
Tane boyutu, faz oranı ve kusur tespiti
XRD desenlerinden faz tanımlama modelleri
Az etiketli veride aktarım öğrenmesi ve veri artırma
Mikroyapı verisini proses parametreleriyle ilişkilendirme
Laboratuvar: U-Net ile mikroyapı görüntüsü bölütleme

Modül 3

Veri Yönetişimi ve Ar-Ge Altyapısı

FAIR veri ilkeleri ve laboratuvar veri yönetimi
Elektronik laboratuvar defteri ve metadata standartları
MLflow ile deney ve model takibi, tekrarlanabilirlik
HPC ve bulut kaynaklarında hesaplama iş akışları
Fikri mülkiyet, gizli formülasyon ve veri paylaşımı
Atölye: Kurumsal malzeme veri platformu tasarımı

Modül 4

Malzeme Tarama Projesi ve Kapanış

Grup projesi: hedef özellik için aday tarama hattı
Tahmin, ML potansiyeli doğrulaması ve önceliklendirme
Proje sunumları ve teknik geri bildirim oturumu
Kurumsal malzeme bilişimi yol haritası taslağı
Eğitim değerlendirmesi, Soru-Cevap ve sertifika takdimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Veri Erişimi — Materials Project, OQMD ve OPTIMADE üzerinden malzeme verisi toplayıp analize hazır veri setleri oluşturabileceksiniz.
Yapı Analizi — pymatgen ve ASE ile kristal yapıları, simetriyi ve konveks kabuk üzerinden faz kararlılığını analiz edebileceksiniz.
Özellik Tahmini — Tanımlayıcılar ve doğru doğrulama stratejisiyle belirsizliği ölçülmüş malzeme özellik modelleri kurabileceksiniz.
Graf Sinir Ağları — CGCNN ve ALIGNN gibi graf tabanlı mimarilerle kristal yapılardan doğrudan özellik tahmini yapabileceksiniz.
ML Potansiyelleri — CHGNet ve MACE gibi potansiyellerle yapı gevşetme ve moleküler dinamik simülasyonları yürütebileceksiniz.
Üretken Tasarım — Üretken modellerle hedef özelliklere uygun aday yapılar üretip kararlılık ve yenilik açısından eleyebileceksiniz.
Deney Optimizasyonu — BoTorch ve Ax ile Bayes optimizasyonu kurarak deney sayısını azaltan aktif öğrenme döngüleri tasarlayabileceksiniz.
Kurumsal Uygulama — Kurumunuzun Ar-Ge hedeflerine uygun, FAIR veri ilkelerine dayalı bir malzeme bilişimi yol haritası çizeceksiniz.

Kimler İçin Uygundur?

Malzeme bilimciler
kimya ve metalurji mühendisleri
hesaplamalı malzeme araştırmacıları
batarya
kataliz ve savunma sanayi Ar-Ge ekipleri ile bilimsel veri bilimciler.

Sıkça Sorulan Sorular

Yapay Zeka ile İleri Malzeme Bilimi Eğitimi kimler için uygundur?

Program; malzeme bilimciler, kimya ve metalurji mühendisleri, hesaplamalı malzeme araştırmacıları, batarya, kataliz, yarı iletken ve savunma sanayi Ar-Ge ekipleri ile bilimsel veri bilimciler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konular işlenir?

Eğitim 5 tam gün ve 20 modülden oluşur. Malzeme veritabanları ve tanımlayıcılar, özellik tahmini, graf sinir ağları ve ML potansiyelleri, üretken tasarım ile Bayes optimizasyonu ve son gün sektörel uygulamalar ile tarama projesi işlenir.

Katılım için DFT veya simülasyon deneyimi gerekli mi?

DFT deneyimi zorunlu değildir; gerekli temel kavramlar eğitimde özetlenir. Kristal yapı ve termodinamik konularında lisans düzeyinde bilgi, Python ile veri işleme ve scikit-learn ile model kurma deneyimi beklenir.

Eğitimde hangi yazılım ve veritabanları kullanılıyor?

Materials Project, OQMD ve OPTIMADE üzerinden veri erişimi; pymatgen, ASE, matminer, scikit-learn, PySR, PyTorch Geometric, CHGNet, MACE, BoTorch, Ax ve RDKit kullanılır. VASP, Quantum ESPRESSO ve LAMMPS iş akışları örneklerle gösterilir.

İçerik kurumun malzeme alanına göre uyarlanabilir mi, sertifika veriliyor mu?

Evet. Ön görüşmede batarya, alaşım, polimer, kataliz veya yarı iletken gibi odak alanı belirlenir; laboratuvar ve proje senaryoları bu alana göre kurgulanır. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE İLERİ MALZEME BİLİMİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Malzeme Bilişimine Giriş

Malzeme Veritabanları ve Veri Erişimi

pymatgen ile Yapı Temsili ve Analizi

Tanımlayıcılar ve Özellik Mühendisliği

Klasik Modellerle Özellik Tahmini

Belirsizlik ve Yorumlanabilirlik

Kıyaslama ve Model Değerlendirme

LLM'ler ile Malzeme Literatürü Madenciliği

Kristaller İçin Graf Sinir Ağları

Makine Öğrenmesi Atomlar Arası Potansiyeller

ML Potansiyelleriyle Moleküler Dinamik

DFT ile Yapay Zeka Entegrasyonu

Ters Tasarım ve Üretken Modeller

Büyük Ölçekli Keşif Çalışmaları

Bayes Optimizasyonu ve Aktif Öğrenme

Otonom Laboratuvarlar

Sektörel Malzeme Uygulamaları

Mikroyapı ve Karakterizasyon Görüntü Analizi

Veri Yönetişimi ve Ar-Ge Altyapısı

Malzeme Tarama Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi