Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski polski
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Meta-Learned Machine-Learning Interatomic Potentials for Ab initio Engineering of Chemical and Microstructural Complexity

Opis projektu

Nowe ramy metauczenia do opisu oddziaływań atomowych

Międzyatomowe potencjały uczenia maszynowego (MLIP) to potężne narzędzie wykorzystujące sztuczną inteligencję do symulacji materiałów z dokładnością kwantową, co pozwala badaczom przewidywać ich właściwości. Pomimo ich potencjału złożoność procesu tworzenia i optymalizacji projektów MLIP ogranicza ich powszechne zastosowanie. Finansowany przez Europejską Radę ds. Badań Naukowych projekt META-LEARN wprowadzi ramy meta-uczenia, które powinny pomóc uprościć i jeszcze bardziej udoskonalić rozwój MLIP. Kluczową innowacją będzie MLIP-COPILOT, oparte na sztucznej inteligencji narzędzie, które zapewni dostosowane rekomendacje dotyczące algorytmów, zestawów danych i metod szkoleniowych. Dzięki zwiększeniu wydajności i dostępności projektów MLIP projekt META-LEARN otworzy nowe możliwości projektowania zrównoważonych materiałów, pomagając jednocześnie badaczom w rozwiązywaniu złożonych problemów materiałowych.

Cel

Materials engineers have dreamed for decades of optimizing materials starting from the quantum mechanical laws of nature. Mastering the inherent chemical and microstructural complexity promises access to outstanding properties of structural and functional materials. Machine-learning interatomic potentials (MLIPs) ignited hope by offering quantum-mechanical accuracy for systems with many atoms. However, the full capacity of MLIPs remains untapped due to the complexity of the MLIP construction process and the required simulations.

META-LEARN will cut the MLIP Gordian knot and raise MLIP construction to the next level. Our vision is a meta-learning framework that unleashes the full strength of MLIPs for large-scale simulations to a broad community. We will meta-learn the optimal MLIP-construction processes by acquiring and exploiting domain-expert knowledge from various branches of advanced ab initio and large-scale simulations.

META-LEARN leverages a comprehensive pool of algorithms to ensure an optimal, task-oriented accuracy-efficiency trade-off. MLIPs that account for magnetic and electronic excitations will broaden the materials spectrum. MLIP-based sampling will boost the efficiency of thermodynamic predictions. Deciphering the microstructure genome will provide the optimal training for large-scale defects. Sustainability challenges will be tackled at the limit of chemical and microstructural complexity: Multicomponent H-storage and coating materials.

META-LEARN will encode the knowledge of the MLIP construction and make it openly available via the MLIP-COPILOT, a knowledge-graph-based artificial intelligence tool. The MLIP-COPILOT will provide the optimal combinations of MLIP algorithms, hyperparameters, training datasets, and training sequences for different materials and simulation tasks. The MLIP-COPILOT will remain flexibly extensible for the community beyond the project’s scope, allowing for the addition of new types of simulations, materials, and MLIPs.

Dziedzina nauki (EuroSciVoc)

Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego. Więcej informacji: Europejski Słownik Naukowy.

Aby użyć tej funkcji, musisz się zalogować lub zarejestrować

Słowa kluczowe

Słowa kluczowe dotyczące projektu wybrane przez koordynatora projektu. Nie należy mylić ich z pojęciami z taksonomii EuroSciVoc dotyczącymi dziedzin nauki.

Program(-y)

Wieloletnie programy finansowania, które określają priorytety Unii Europejskiej w obszarach badań naukowych i innowacji.

Temat(-y)

Zaproszenia do składania wniosków dzielą się na tematy. Każdy temat określa wybrany obszar lub wybrane zagadnienie, których powinny dotyczyć wnioski składane przez wnioskodawców. Opis tematu obejmuje jego szczegółowy zakres i oczekiwane oddziaływanie finansowanego projektu.

System finansowania

Program finansowania (lub „rodzaj działania”) realizowany w ramach programu o wspólnych cechach. Określa zakres finansowania, stawkę zwrotu kosztów, szczegółowe kryteria oceny kwalifikowalności kosztów w celu ich finansowania oraz stosowanie uproszczonych form rozliczania kosztów, takich jak rozliczanie ryczałtowe.

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

Procedura zapraszania wnioskodawców do składania wniosków projektowych w celu uzyskania finansowania ze środków Unii Europejskiej.

(odnośnik otworzy się w nowym oknie) ERC-2024-ADG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSITY OF STUTTGART
Wkład UE netto

Kwota netto dofinansowania ze środków Unii Europejskiej. Suma środków otrzymanych przez uczestnika, pomniejszona o kwotę unijnego dofinansowania przekazanego powiązanym podmiotom zewnętrznym. Uwzględnia podział unijnego dofinansowania pomiędzy bezpośrednich beneficjentów projektu i pozostałych uczestników, w tym podmioty zewnętrzne.

€ 2 500 000,00
Koszt całkowity

Ogół kosztów poniesionych przez organizację w związku z uczestnictwem w projekcie. Obejmuje koszty bezpośrednie i pośrednie. Kwota stanowi część całkowitego budżetu projektu.

Brak danych

Beneficjenci (1)

Moja broszura 0 0