Deep Learning的化學應用
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。

講師簡介:周文祺博士,侖新科技股份有限公司執行長

 

課程大綱:
第一天課程

◎1990年代運用Neural Network來解決化學問題的方法
◎Multilayer Neural Network模型探討:Classification、Chemical Reactivity、Structure and Spectra、HPLC分析、QSAR
◎Python語言實作、建構TensorFlow環境(I)
◎Python語言實作、建構TensorFlow環境(II)、數值分析實作
◎建構第一個機器學習的Neural Network
◎什麼是Deep Learning? 以及近年來Deep Learning在化學應用上的進展與突破

第二天課程

◎ Deep Learning in Chemistry using TensorFlow
◎ Deep Learning在藥物分子及有機物性質上的學習及預測
◎ 計算化學結合Deep Learning預測Molecular Orbitals、Total Energy以及Chemical Reaction
◎ 什麼是CNN(Convolutional Neural Network)? 原理介紹與程式練習
◎ CNN Deep Learning結合Molecular Dynamics Simulation學習、預測及辨識IR及Raman光譜
◎ Recurrent Neural Network(RNN)的架構特色,以及在小分子上的學習及預測

◎ 以上依授課內容依上課進度調整

 
開課資訊:  
總時數
上課日期/時間
上課地點 / 講師
費用 /
名額
12 小時
2018/8/20(星期一)上午9:10 至 12:00
2018/8/20(星期一)下午1:20 至 4:10
2018/8/21(星期二)上午9:10 至 12:00
2018/8/21(星期二)下午1:20 至 4:10
計中212/
周文祺
1000 元 /
40 人
*適合對象: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。

本課程於107年6月14日開放國立臺灣大學(含三校聯盟)之現職教職員工生優先報名。
並將於107年6月25日開放員生子女、校友(含退休人員)及一般大眾報名。
若報名額滿,計資中心將依身份別、報名與繳費順序決定錄取名單。

* 2018/6/25開放校外報名,金額:2000元 *