Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen (HNP-AI)
Päärahoittaja
Rahoittajan antama koodi/diaarinumero: 315550
Päärahoittajan myöntämä tuki (€)
- 385 679,00
Rahoitusohjelma
Hankkeen aikataulu
Hankkeen aloituspäivämäärä: 01.01.2018
Hankkeen päättymispäivämäärä: 31.07.2022
Tiivistelmä
HNP-AI konsortiumin tavoitteena on yhdistää älykästä memeettistä ohjelmointia käyttäen globaalia ja lokaalia hakua sekä monitavoitteisen optimoinnin menetelmiä
(a) ennustamaan realistisia nanorakenteita, erityisesti hybridinanopartikkelirakenteita kuten MPC:itä, käyttämällä epätäydellistä kokeellista tietoa atomien rakenteista kunnes täydentävää tietoa on saatavilla
(b) kehittää uusia menetelmiä olemassa olevien rakenne-ominaisuus MPC-aineistojen analysoimiseksi stabiilien rakenteiden määrittämiseksi
(c) kehittää ymmärrystä keskeisistä MPC-synteesiin vaikuttavista tekijöistä. Tämän avulla voidaan kehittää synteesien tavoitteiden suunnittelua.
(a) ennustamaan realistisia nanorakenteita, erityisesti hybridinanopartikkelirakenteita kuten MPC:itä, käyttämällä epätäydellistä kokeellista tietoa atomien rakenteista kunnes täydentävää tietoa on saatavilla
(b) kehittää uusia menetelmiä olemassa olevien rakenne-ominaisuus MPC-aineistojen analysoimiseksi stabiilien rakenteiden määrittämiseksi
(c) kehittää ymmärrystä keskeisistä MPC-synteesiin vaikuttavista tekijöistä. Tämän avulla voidaan kehittää synteesien tavoitteiden suunnittelua.
Vastuullinen johtaja
Muut hankkeeseen liittyvät henkilöt (JYU)
Päävastuullinen yksikkö
Seurantakohteet
Profiloitumisalue: Nanoscience Center (Fysiikan laitos PHYS, JYFL) (Matemaattis-luonnontieteellinen tiedekunta) (Kemian laitos CHEM) (Bio- ja ympäristötieteiden laitos BIOENV) NSC
Liittyvät julkaisut ja muut tuotokset
1/3
- Feature selection for distance-based regression : An umbrella review and a one-shot wrapper (2023) Linja, Joakim; et al.; A1; OA
- On the Role of Taylor’s Formula in Machine Learning (2023) Kärkkäinen, Tommi; A3; OA; 978-3-031-29082-4
- Improving Clustering and Cluster Validation with Missing Data Using Distance Estimation Methods (2022) Niemelä, Marko; et al.; A3; OA; 978-3-030-70787-3
- Newton Method for Minimal Learning Machine (2022) Hämäläinen, Joonas; et al.; A3; OA; 978-3-030-70787-3
- Toolbox for Distance Estimation and Cluster Validation on Data With Missing Values (2022) Niemelä, Marko; et al.; A1; OA
- Improving Scalable K-Means++ (2021) Hämäläinen, Joonas; et al.; A1; OA
- Instance-Based Multi-Label Classification via Multi-Target Distance Regression (2021) Hämäläinen, Joonas; et al.; A4; OA; 978-2-87587-082-7
- Orientation Adaptive Minimal Learning Machine for Directions of Atomic Forces (2021) Pihlajamäki, Antti; et al.; A4; OA; 978-2-87587-082-7
- Can we automate expert-based journal rankings? : analysis of the Finnish publication indicator (2020) Saarela, Mirka; et al.; A1; OA
- Do Randomized Algorithms Improve the Efficiency of Minimal Learning Machine? (2020) Linja, Joakim; et al.; A1; OA
