Υπολογιστική Φυσική Στερεας Κατάστασης

Το μάθημα εισάγει ερευνητικά εργαλεία για τη θεωρία και τις προσομοιώσεις υλικών και απευθύνεται σε μεταπτυχιακούς φοιτητές. Καλύπτει το πώς οι σχέσεις σύστασης–δομής–ιδιοτήτων στα υλικά μπορούν να κωδικοποιηθούν για σκοπούς μηχανικής μάθησης και, στη συνέχεια, καθοδηγεί τους συμμετέχοντες στη δημιουργία, εκπαίδευση και αξιολόγηση μοντέλων με εργαλεία ανοικτού κώδικα και δημόσια σύνολα δεδομένων. Το μάθημα ξεκινά με μια εισαγωγή που διευκρινίζει τα κίνητρα και το αντικείμενό του, σκιαγραφεί μια σύντομη ιστορία της Τεχνητής Νοημοσύνης (AI) στην επιστήμη και ορίζει προσδοκίες και αξιολογήσεις, ολοκληρώνοντας με βιωματική άσκηση επιστημονικού προγραμματισμού. Στη συνέχεια θεμελιώνουμε τα βασικά της μηχανικής μάθησης—θεμελιώδεις έννοιες και ορολογία και τα τρία παραδείγματα «μάθησης από παραδείγματα» (επιβλεπόμενη, μη επιβλεπόμενη, ενισχυτική)—που εφαρμόζονται άμεσα σε άσκηση πρόβλεψης της σκληρότητας κρυστάλλων. Έπειτα εστιάζουμε στα δεδομένα υλικών: καταγραφή πηγών και τύπων δεδομένων, τις αρχές FAIR και τον έλεγχο ποιότητας δεδομένων, πριν από ένα πρακτικό στα δεδομένα-καθοδηγούμενα θερμοηλεκτρικά. Ακολουθούν οι αναπαραστάσεις κρυστάλλων—σύσταση, δομή και κρυσταλλικά γράφηματα (crystal graphs)—σε συνδυασμό με άσκηση πλοήγησης στον χώρο των κρυστάλλων. Παρουσιάζονται κλασικές μέθοδοι μάθησης (k-πλησιέστεροι γείτονες, ομαδοποίηση k-means, δέντρα αποφάσεων και επεκτάσεις) και δοκιμάζονται μέσω ταξινομητή «μέταλλο ή μονωτής;». Προχωρούμε έπειτα στη βαθιά μάθηση, από τον νευρώνα στο perceptron, στις αρχιτεκτονικές δικτύων και την εκπαίδευση, έως τα συνελικτικά νευρωνικά δίκτυα (CNN), με άσκηση εκμάθησης μικροδομής. Μια ενότητα «δημιουργίας μοντέλου από το μηδέν» εδραιώνει την πρακτική: προετοιμασία δεδομένων, επιλογή μοντέλου και ροές εκπαίδευσης/δοκιμών, με δεύτερη άσκηση στη σκληρότητα κρυστάλλων. Το μάθημα στη συνέχεια στρέφεται στην επιταχυμένη ανακάλυψη μέσω ρομποτικής και «αυτόνομων» εργαστηρίων (self-driving labs), βελτιστοποίησης Bayes και ενισχυτικής μάθησης, που διερευνώνται με άσκηση βελτιστοποίησης κλειστού βρόχου. Ολοκληρώνουμε με γενετική AI—μεγάλα γλωσσικά μοντέλα, μεταβάσεις από λανθάνουσες αναπαραστάσεις σε diffusion μοντέλα και πράκτορο-κεντρικές (agentic) ροές έρευνας—καταλήγοντας σε μια τελική ερευνητική πρόκληση.