Machine Learning and Simulation Approaches in Materials Science and EngineeringModulbeschreibung #31221 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #31221 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Haase, Christian |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät III |
|---|---|
| Institut | Institut für Werkstoffwissenschaften und -technologien |
| Fachgebiet | 33341700 FG Materials for Additive Manufacturing |
Kontakt
| Sekretariat | BH-A3 |
|---|---|
| Ansprechpartner*in | Haase, Christian |
| E-Mail-Adresse | christian.haase@tu-berlin.de |
| Webseite | https://www.tu.berlin/mfam |
Lernergebnisse
Im Modul „Simulation und maschinelles Lernen in der Materialwissenschaft“ wird eine umfassende Einführung in die grundlegenden computergestützten Methoden der Materialwissenschaften gegeben, mit Schwerpunkt auf physikbasierten Simulationen und maschinellem Lernen. Die Studierenden entwickeln ein ganzheitliches Verständnis dafür, wie verschiedene computergestützte Techniken eingesetzt werden, um neue Materialien zu erforschen, ihr Verhalten und ihre Eigenschaften zu simulieren/vorherzusagen und Materialien auf unterschiedlichen Ebenen, z. B. von atomar bis makroskopisch, zu entwerfen.
Der Kurs vermittelt:
40 % Wissen und Verständnis
40 % Analyse und Methodik
10 % Anwendung und Praxis
10 % Soziale Kompetenz
Der Kurs vermittelt:
40 % Wissen und Verständnis
40 % Analyse und Methodik
10 % Anwendung und Praxis
10 % Soziale Kompetenz
Lehrinhalte
• Die grundlegenden Prinzipien und Anwendungen der wichtigsten computergestützten Techniken zur Bewertung des Materialverhaltens verstehen, einschließlich:
- Dichtefunktionaltheorie (DFT): Å-nm-Skala
- Molekulardynamik (MD): nm-µm-Skala
- Kinetisches Monte-Carlo (KMC): nm-µm-Skala
- Phasenfeldmethode: nm-mm-Skala
- Zellulare Automaten (CA): µm-mm-Skala
- Finite-Elemente-Methode (FEM): mm-m-Skala
- Berechnung von Phasendiagrammen (CALPHAD): integriert alle Skalen
- Diffusionsmodelle: µm-cm-Skala
- Kristallplastizitätsmodelle: µm-mm-Skala
• Den geeigneten Simulationsansatz für eine gegebene physikalische Eigenschaft, ein mikrostrukturelles Phänomen oder ein Materialproblem über mehrere Längen- und Zeitskalen hinweg identifizieren.
• Das Zusammenspiel von Struktur, Verarbeitung und Eigenschaften mithilfe von Materialsimulationen nachvollziehen.
• Die Grundlagen verschiedener Algorithmen des maschinellen Lernens verstehen, einschließlich überwachten und unüberwachten Lernansätzen. Regression vs. Klassifikation bei Fragestellungen der Materialwissenschaft.
• Den vollständigen Workflow eines Machine-Learning-Projekts erlernen, von Training, Validierung und Testen bis hin zu Hyperparameteroptimierung, Feature Engineering und Bewertung der Modellleistung.
• Die Anwendungen von maschinellem Lernen in der Materialwissenschaft erkunden, einschließlich Vorhersage von Materialeigenschaften, Entwurf neuer chemischer Zusammensetzungen und Optimierung von Prozessparametern.
• Die Fähigkeiten, Grenzen und Integrationspotenziale verschiedener computergestützter und ML-Ansätze in der modernen Materialforschung kritisch bewerten.
- Dichtefunktionaltheorie (DFT): Å-nm-Skala
- Molekulardynamik (MD): nm-µm-Skala
- Kinetisches Monte-Carlo (KMC): nm-µm-Skala
- Phasenfeldmethode: nm-mm-Skala
- Zellulare Automaten (CA): µm-mm-Skala
- Finite-Elemente-Methode (FEM): mm-m-Skala
- Berechnung von Phasendiagrammen (CALPHAD): integriert alle Skalen
- Diffusionsmodelle: µm-cm-Skala
- Kristallplastizitätsmodelle: µm-mm-Skala
• Den geeigneten Simulationsansatz für eine gegebene physikalische Eigenschaft, ein mikrostrukturelles Phänomen oder ein Materialproblem über mehrere Längen- und Zeitskalen hinweg identifizieren.
• Das Zusammenspiel von Struktur, Verarbeitung und Eigenschaften mithilfe von Materialsimulationen nachvollziehen.
• Die Grundlagen verschiedener Algorithmen des maschinellen Lernens verstehen, einschließlich überwachten und unüberwachten Lernansätzen. Regression vs. Klassifikation bei Fragestellungen der Materialwissenschaft.
• Den vollständigen Workflow eines Machine-Learning-Projekts erlernen, von Training, Validierung und Testen bis hin zu Hyperparameteroptimierung, Feature Engineering und Bewertung der Modellleistung.
• Die Anwendungen von maschinellem Lernen in der Materialwissenschaft erkunden, einschließlich Vorhersage von Materialeigenschaften, Entwurf neuer chemischer Zusammensetzungen und Optimierung von Prozessparametern.
• Die Fähigkeiten, Grenzen und Integrationspotenziale verschiedener computergestützter und ML-Ansätze in der modernen Materialforschung kritisch bewerten.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Learning and Simulation Approaches in Materials Science and Engineering | Integrierte Veranstaltung | 3417 L 003 | Wintersemester | [en] | 6 | ISIS |
Arbeitsaufwand und Leistungspunkte
Machine Learning and Simulation Approaches in Materials Science and Engineering (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| 150 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 30 h | 30 h |
| 30 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Integrierte Kurse (Vorlesung, Übung, Seminar)
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Kenntnisse der Grundlagen der Materialwissenschaft oder Werkstofftechnik sind erwünscht.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch, Deutsch |
| Dauer/Umfang | 90 |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 50.
Anmeldeformalitäten
Die Anmeldung zur Prüfung erfolgt gemäß der jeweils gültigen Fassung der AllgStuPO.
Die Anmeldung zur Prüfung erfolgt online über QISPOS.
Die Anmeldung zur Prüfung erfolgt online über QISPOS.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe