一种被称为循环神经网络(RNN)的机器学习模型被用于预测具有高能量存储容量的更好的聚合物结构。一个聚合物结构被馈送到RNN模型(绿色齿轮)，产生一个可能具有更好储能能力的聚合物结构列表(红色四面体)。插图/ Chris金
随着世界看到可再生能源、水管理、交通和量子计算等领域的快速发展，对新型先进材料的需求正在增加，以支持这些新兴技术。然而，开发新材料是很费力的——从概念到实施需要几十年的时间。
制造业现在正转向人工智能(AI)和机器学习方法，以更快地发现材料。但对于那些希望在材料工程这个勇敢的新世界中追求职业生涯的人来说，直到现在，几乎没有为材料与机器学习的集成量身定制的研究生学位选择。
为了解决这一重大的知识差距，南加州大学维特比工程学院的化学工程和材料科学莫克家族系推出了bob国际首页登录材料工程与机器学习硕士这是首个由计算材料科学和机器学习方法方面的专家教授的科学硕士课程。
莫克家族部主任，安德里亚·霍奇
Arthur B. Freeman教授、莫克家族化学工程和材料科学系主任Andrea Hodge表示，该课程反映了一个新兴的跨学科领域，该领域利用数据，结合建模和模拟、实验和机器学习技术，为材料发现和制造创造了一种新方法。
霍奇说:“目前有一些关于材料工程的在线课程和关于机器学习的许多方面的课程，但没有一个硕士学位课程将机器学习集成到材料工程中。”
“越来越多的公司正在将数据驱动的方法纳入其商业模式，”她说。“然而，由于缺乏综合机器学习教育，目前的材料工程课程并没有满足需求。”
机器学习可用于发现一系列应用的新材料，包括3d打印、用于水过滤的材料和膜、量子信息和计算，以及加速自主制造和工艺。
机器学习还可以用于研发，例如基于材料数据库的自主实验室和高通量筛选，以开发高能量密度电容器、新型催化剂、提高效率的太阳能电池板，以及对抗病毒和疾病的新药。
莫克家族系高级讲师野村健一(Ken-ichi Nomura)表示，机器学习将为材料工程带来范式转变。
他说:“我们的目标不是取代现有的材料工程教育，而是用新的技能来加强它，以显著加速材料的开发和创新。”
野村健一，莫克家族系高级讲师
新的硕士学位课程专注于机器学习，这将使未来的材料科学家和工程师能够使用大量的数据来发现有用的信息，否则人类将没有能力处理这些数据。
野村表示，机器学习在计算机视觉(系统可以从数字图像和视频中学习信息)以及自然语言处理、过程自动化等领域取得了巨大成功。
野村表示:“然而，领域专家知识对于充分利用这些新技术的力量至关重要，因为机器学习技术不能直接转移到材料上。”“新的硕士学位课程将培训未来一代的劳动力，并为南加州大学的毕业生在融合了数据驱动的发现和材料开发的行业提供令人兴奋的机会。”
该项目于2021年秋季开始，面向具有广泛科学和工程背景的研究生，他们对材料和机器学习的交叉感兴趣，包括拥有物理科学和工程学科学士学位的学生。该课程也面向那些希望扩展技能集并将机器学习技术应用于材料和加工项目的研发工作的行业人士。
该计划将涵盖以下关键领域:
- 机器学习的基础知识，包括有监督和无监督机器学习，回归和分类，以及主动学习和强化学习。
- 深度学习方法及其应用。
- 模拟和机器学习项目使用数据库来发现和建模材料属性。
学生们也将有机会在一年一度的莫克家庭系学生研讨会上展示他们的项目成果。
Priya Vashishta，化学工程氟学主席
“在使用机器学习的初创公司，以及大学、工业和国家实验室的研究职业中，也有机会，”化学工程氟主席Priya Vashishta教授说。
莫克家庭系的教师将在该项目中教学，包括野村，他在高性能模拟和机器学习方面具有研究专长，以及Vashishta，该项目的负责人计算软件材料基因组创新他将专注于计算材料建模和机器学习。物理与天文学、计算机科学、化学工程和材料科学教授拉吉夫·卡利亚(Rajiv Kalia)将教授深度学习方法及其应用。由MFD和南加州大学维特比分校的专家教授的额外材料科学、机器学习和数据分析课程已被纳入选修课，以提供广泛的材料工程与机器学习的教育经验。bob国际首页登录
出版于2021年8月19日
最后更新于2021年12月7日
