2018 暑期高效能運算課程

High Performance Computing and Big Data

Deep Learning的化學應用(使用TensorFlow)


基本資訊

【日期】 2018/8/20(一),8/21(二)

【時間】 ■09:10~12:00 ■13:20~16:10

【地點】 計中 212 教室(電腦教室)

【費用】 臺灣大學及國立臺灣大學系統 1000 元,其他 2000 元,名額40人

【主辦單位】國立臺灣大學計算機及資訊網路中心(臺大計中)


師資

侖新科技股份有限公司 周文祺博士

侖新科技股份有限公司 執行長


(I)現職與主要學經歷:
  1. 侖新科技股份有限公司 執行長 (現職)
  2. 淡江大學化學系 兼任助理教授 (化學資訊與雲端課程)
  3. 綸欣實業股份有限公司(創新科技部) 科普飛行隊(Pop.Sci.Flyers) 產品經理
  4. 綸欣實業股份有限公司 資深產品研發工程師
  5. 淡江大學 國科會計畫博士後研究員
  6. 淡江大學化學系 理論計算化學博士 (2007)

(II)工作專長:
  1. 資訊科技及STEAM創客教育 國高中及大學教師研習外聘講師、業界專家
  2. 化學模擬結合人工智慧深度學習(deep learning)之演算法及平台開發研究(產學合作案進行中)
  3. AR/VR虛實整合之科學教育應用互動軟體研發(代表性產品:分子結構AR辨識器)
  4. 觸控、雲端、App科學應用解決方案之產品及服務研發(代表性產品: SmartCloud、Lecture2Go)
  5. 3D列印於科學普及教育市場之課程與教學應用、科學智慧教室產品服務研究與開發(代表性產品: 3D列印科學動手玩系列課程)
  6. 科普雲端服務及行動運算App設計與研發(代表性產品: CloudChem)
  7. 科學應用嵌入式系統設計與研發(代表性產品: ChemExp Simulator)
  8. 數值運算與物件導向技術於物理化學及材料之視覺化計算模擬整合平台程式設計(代表性產品: ChemForecast 1.0整合動態模擬平台)
  9. 染料敏化太陽能電池(DSSC)理論研究與固態材料電子能帶計算研究
  10. 第一原理分子動態模擬(ab initio MD)之紅外線振動光譜理論、時間相關函數(time-correlation function)理論、反應動態時頻分析(time-frequency analysis)方法、計算與理論研究
  11. 金屬與半導體材料表面的有機化學反應動態與機制之量子理論計算研究
  12. 高速電腦叢集(PC Cluster)平行化數值運算MPI程式開發與研究
詳細資料

課程簡介

早在20年前人工智慧中的神經網路(Neural Network)演算法就已被先進的研究團隊用在化學領域的學習及預測上,試圖創造一顆懂化學的強大機器腦袋。然而受限於當時的電腦運算能力與其他關鍵的演算法尚未被提出與使用,直到進5年多來所延伸出來的深度學習(deep learning)演算法出現了許多突破性的發展與應用,利用新的演算法搭配python語言、TensorFlow架構以及強大的GPU平行運算等工具,驅使許多嶄新的化學領域上的機器學習與預測一個一個被實現出來,諸如藥物或有機物分子的篩選預測、光譜辨識、物化性質分類、分析化學預測,以及量子化學為基礎的結構模擬、總能計算、反應途徑預測等…,深度學習在物理及化學領域上的應用將越來越重要也可望持續蓬勃發展下去。

在兩天的課程中,我們將以python語言搭配tensorflow來實作數種deep learning的演算法,諸如CNN以及RNN等…,搭配探討1990年至今的Neural Network在化學問題上的機器學習與預測方法及成果,進一步研究如何將人工智慧運用在化學領域的問題解決應用上,同時也從實務的層次深入了解deep learning的原理、運作及內涵。歡迎對化學與人工智慧結合進行電腦模擬及預測有興趣的朋友來參加。


課程內容

第一天 第二天
  1. 1990年代運用Neural Network來解決化學問題的方法
  2. Multilayer Neural Network模型探討:Classification、Chemical Reactivity、Structure and Spectra、HPLC分析、QSAR
  3. Python語言實作、建構TensorFlow環境(I)
  4. Python語言實作、建構TensorFlow環境(II)、數值分析實作
  5. 建構第一個機器學習的Neural Network
  6. 什麼是Deep Learning? 以及近年來Deep Learning在化學應用上的進展與突破
  1. Deep Learning in Chemistry using TensorFlow
  2. Deep Learning在藥物分子及有機物性質上的學習及預測
  3. 計算化學結合Deep Learning預測Molecular Orbitals、Total Energy以及Chemical Reaction
  4. 什麼是CNN(Convolutional Neural Network)? 原理介紹與程式練習
  5. CNN Deep Learning結合Molecular Dynamics Simulation學習、預測及辨識IR及Raman光譜
  6. Recurrent Neural Network(RNN)的架構特色,以及在小分子上的學習及預測

對象

不須具備程式寫作背景,對近年來深度學習在化學上的發展有興趣者即可


備註

1.本課程不供餐,不提供上課證明或證書。

2.如因報名人數過多,本中心得更換教室。請學員務必於上課前三日,上網確認上課地點。

3. 學員若自行攜帶筆電,建議安裝Ubuntu作業系統環境(版本16.04 LTS或以上),課程中將進行軟體套件安裝,須自備網際網路連線。


立即前往報名