کارگاه یادگیری ماشینی در فیزیک ماده چگال، دومين سری از کارگاه يادگيری ماشينی در فيزيک با رويکرد کاربردها در ماده چگال است که با همکاری انجمن فيزيک ايران در تاریخ ۱۱ تا ۱۳ مهرماه ۱۳۹۷ در دانشکده فيزيک دانشگاه تهران برگزار شده‌است.

یادگیری ماشین، روشی برای پیش‌بینی رفتار و یا دسته‌بندی مجموعه داده‌هاست که بر خلاف روش‌های متداول در فیزیک به جای آن‌که مبتنی بر یک مدل شهودی باشد از یک مدل ریاضی و توابع دلخواه برای توصیف و پیش‌بینی رفتار سیستم‌ها استفاده می‌کند. به بیانی دیگر یادگیری ماشینی جستجو در فضای الگوریتم‌ها و پارامترها است به نحوی که مدلی از داده‌ها استنباط کند (مدل داده‌محور (Data-Driven)) و بر اساس آن به پیش‌بینی و یا دسته‌بندی سیستم‌ مورد مطالعه بپردازد. به عنوان مثال با استفاده از شبکه‌های عصبی به عنوان یکی از روش‌های سنتی یادگیری ماشین، می‌توان مجموعه‌ای از داده‌های ورودی را توسط تعداد دلخواهی از لایه‌های پنهان میانی به نتایج خروجی تصویر کرد. برخلاف داده‌های ورودی و خروجی که کمیت‌های فیزیکی‌اند لایه‌های میانی لزوماً معنی فیزیکی ندارند و به عبارت دیگر قید فیزیکی بر آن‌ها وجود ندارد. به همین دلیل تعداد لایه‌های میانی و تعداد گره‌ها در هر لایه را می‌توان به دلخواه انتخاب کرد و لذا این رهیافت در تصویر ورودی به خروجی کاملاً انعطاف‌پذیر است. به ویژه وقتی ارتباط بین داده‌ها بسیار پیچیده باشد به طوری که مدل‌های رایج فیزیکی با تعداد محدودی پارامتر قابل تنظیم نتوانند با دقت کافی این ارتباط را توضیح دهند، کارایی روش‌های مبتنی بر یادگیری ماشینی می‌تواند بسیار مورد توجه باشد.
در این کارگاه با مبانی علم یادگیری ماشینی آشنا شده و نمونه‌هایی از کاربردهای آن در فیزیک ماده چگال ارائه خواهد شد. در جلسات عملی، پیاده‌سازی الگوریتم‌ها و روش استفاده از ابزارهای موجود در بسته‌های نرم‌افزاری به طور عملی ارائه شده و مسائلی از فیزیک ماده چگال حل خواهد شد.

پیش‌نیازها

برای پیاده‌سازی الگوریتم‌ها، آشنایی با مفاهیم برنامه‌نویسی ضروری است. زبان برنامه‌نویسی فرترن یا سی و یا پایتون است. در جلسات عملی فرض بر آن است که شرکت‌کنندگان با سیستم عامل لینوکس کاملاً آشنایی دارند.

عناوین مطالب:

• مفاهيم و روش‌های يادگیری ماشینی
• توصيف‌گرهای اتمی برای ساخت پتانسيل
• توليد پتانسیل برهمکنشی
• پیاده‌سازی شبکه عصبی مصنوعی - بازتولید رویه‌های انرژی پتانسیل
• حل چند مثال از يادگيری ماشينی در فيزيک ماده چگال
• الگوريتم تکاملی در بهينه‌سازی

مدرسین:

• دکتر اسماعيل اسکندری، پژوهشگاه دانش‌های بنيادی
• دکتر مجتبی اعلایی، دانشگاه صنعتی اصفهان
• دکتر علی صادقی، دانشگاه شهيد بهشتی
• دکتر سيد عليرضا قاسمی، دانشگاه تحصيلات تکمیلی در علوم پايه زنجان
• دکتر حجت قلی زاده، دانشگاه صنعتی اصفهان
• دکتر امين نظارات، دانشگاه پيام نور يزد

فایل‌های کارگاه یادگیری ماشینی در فیزیک را از اینجا دانلود کنید.