Simulation im Schnelldurchlauf: Maschinelles Lernen für molekulardynamische Zellen

Bachelorarbeit oder Masterarbeit

Entwicklung, Training und Bewertung eines datengetriebenen Modells, das den Aufbau und die Equilibrierung molekulardynamischer Zellen unter Berücksichtigung physikalischer Randbedingungen beschleunigt.
Stuwi-Simulationim Schnelldurchlauf Maschinelles Lernen für molekulardynamische Zellen© IKV
Amorphe Simulationszelle aus Polymer und Medium nach der Equilibrierung

Thema der Arbeit

Bevor eine Molekulardynamiksimulation eine einzige verwertbare Aussage liefert, passiert erst einmal nichts. Die amorphe Zelle wird aufgebaut, gepackt, komprimiert, aufgeheizt, abgekühlt und über hunderte Pikosekunden ins Gleichgewicht gebracht. Der Cluster rechnet, du wartest. Und weil eine einzelne Zelle statistisch nicht aussagekräftig ist, wiederholt sich das für jede Kombination mehrfach. Diese Equilibrierung ist ein klar definierter, hochgradig repetitiver Vorgang mit bekannten physikalischen Randbedingungen, also ein nahezu ideales Anwendungsfeld für maschinelles Lernen.

Die Arbeit wird in dieser Arbeitsgruppe verfasst

In der Arbeitsgruppe Medieneinfluss verfolgen wir den Ansatz der Quantitative Structure Property Relationship (QSPR). Ziel ist es, aus der Molekülstruktur von Polymer und Medium auf das Risiko umgebungsbedingter Spannungsrissbildung (Environmental Stress Cracking, kurz ESC) zu schließen. Molekulardynamische Simulationen liefern dafür zentrale Kennwerte, etwa zum Diffusions- und Wechselwirkungsverhalten. Wie viele Kombinationen wir betrachten können, hängt derzeit vor allem an der Rechenzeit für Aufbau und Equilibrierung der Zellen. Gelingt es, diesen Schritt zu lernen statt ihn zu rechnen, lässt sich das Screening um Größenordnungen ausweiten. Gearbeitet wird mit BIOVIA Materials Studio und LAMMPS auf dem Hochleistungsrechner CLAIX der RWTH Aachen. Welchen Ansatz du verfolgst und wo du inhaltlich deinen Schwerpunkt setzt, stimmen wir gemeinsam ab.

Zielsetzung

Entwicklung, Training und Bewertung eines datengetriebenen Modells, das den Aufbau und die Equilibrierung molekulardynamischer Zellen unter Berücksichtigung physikalischer Randbedingungen beschleunigt.

Deine Aufgabenstellung

Einarbeitung in den bestehenden Workflow aus Zellaufbau und Equilibrierung Einarbeitung in den bestehenden Workflow aus Zellaufbau und Equilibrierung
Systematische Erzeugung und Aufbereitung von Trainingsdaten auf dem Hochleistungsrechner Bewertung möglicher Ansatzpunkte zur Beschleunigung und Aufbau einer automatisierten Datenpipeline
Aufbau eines ersten Modells zur Vorhersage der Eigenschaften equilibrierter Zellen Entwicklung und Training eines Modells unter Einbindung physikalischer Randbedingungen
Bewertung der Vorhersagegüte im Vergleich zur klassischen Simulation und Abschätzung des Rechenzeitgewinns Validierung an unbekannten Kunststoff/Medien-Kombinationen und Bewertung des erzielten Rechenzeitgewinns

Dein Profil

  • Technisches oder naturwissenschaftliches Studium (z.B. Maschinenbau,Wirtschaftsingenieurswesen, Materialwissenschaften,Computational Engineering Science, Simulation Sciences, Angewandte Chemie oder Angewandte Polymerwissenschaften )
  • Spaß am Programmieren, idealerweise in Python
  • Interesse an maschinellem Lernen und an Simulation, Vorkenntnisse sind willkommen, aber keine Voraussetzung
  • Bereitschaft, dich in die Arbeit auf einem Hochleistungsrechner einzuarbeiten
  • Selbstständige, strukturierte und teamorientierte Arbeitsweise

Das sind deine Benefits

  • Arbeit in einem jungen, motivierten Team
  • Selbstständige Arbeit bei intensiver Betreuung
  • Mitgestaltung eines Forschungsthemas, auf dem weitere Arbeiten aufbauen
  • Individuelle Abstimmung von Aufgabenstellung, Umfang und Zeitrahmen
  • Zugang zum Hochleistungsrechner CLAIX der RWTH Aachen
  • Abwechslungsreiche Mischung aus Recherche, Simulation und Datenauswertung
  • Sofortiger Start möglich

Falls du Interesse an einer Abschlussarbeit am IKV und an dieser Aufgabenstellung hast, melde dich gerne bei mir. Welchen Ansatz du verfolgst, wie tief du in die Modellierung einsteigst und wie der Zeitplan aussieht, stimmen wir individuell miteinander ab, sodass die Arbeit zu deinen Interessen und Vorkenntnissen passt.