Hintergrund:

Es wurden bereits verschiedene Arten von TPMS-Strukturen entworfen und als Substrate für monolithische Katalysatoren 3D-gedruckt. Auch die katalytische Beschichtung und die Materialcharakterisierung wurden an diesen additiv gefertigten Substraten durchgeführt, was zu einem Datensatz führte, der sowohl auf numerischen als auch experimentellen Arbeiten beruht. Der Umfang dieses Datensatzes ist jedoch nach wie vor begrenzt. Die Hauptgründe für dieses Defizit sind der hohe Arbeitsaufwand und die hohen Kosten, die mit der Durchführung zahlreicher Experimente und dem Entwurf komplexer Geometrien verbunden sind. Node.1 und Node.2 in Abbildung.1 beziehen sich auf diesen Hintergrund.
Few-Shot Learning bezieht sich auf die Fähigkeit eines maschinellen Lernmodells, neue Aufgaben oder Kategorien mit einer sehr kleinen Menge an gekennzeichneten Daten zu erlernen, oft mit nur wenigen Trainingsbeispielen pro Klasse. Dies steht im Gegensatz zu herkömmlichen Deep-Learning-Modellen, die in der Regel große Mengen an gekennzeichneten Daten benötigen, um gute Ergebnisse zu erzielen. Few-Shot-Lerntechniken sind wertvoll in Situationen, in denen die Datenerfassung kostspielig oder zeitaufwändig ist oder in denen nur wenige Daten zur Verfügung stehen.

Ziel der Arbeit:

Ziel dieser Masterarbeit ist es, auf der Grundlage der verfügbaren Datensätze die am besten geeignete Few-Shot Lernstrategie zu ermitteln und entsprechende Lernmodelle für die Durchführung virtueller Experimente und die Vorhersage der Ergebnisse zu entwickeln. Die Vorhersage der Reaktionsoberfläche von TPMS-Strukturen und der Dicke der beschichteten Schichten durch Variation der Einheitszellengröße, Rotation der Zellen oder Anwendung einer ungleichmäßigen Verteilung der Zellen sind mögliche Ergebnisse dieser Studie.

Aufgaben:
1)    Verstehen des Problems und Auswahl eines geeigneten Few-Shot-Lernansatzes:
•    Mögliche Ansätze sind Transfer-Lernen, Meta-Lernen, metrisches Lernen, generativer Ansatz, usw.
2)    Datenvorbereitung, einschließlich Basisdatensatz, Unterstützungssatz und Abfragesatz:
•    Basisdatensätze umfassen TPMS-Designs und die entsprechenden Reaktionsflächen. Diese können in der nTop-Software erstellt werden.
•    Unterstützungssätze können auch innerhalb der nTop-Software erstellt werden, durch kleine Änderungen in den bisherigen TPMS-Designs.
•    Abfrage-Set: Berechnung der Reaktionsfläche ohne Erstellung einer CAD-Konstruktion.
3)    Aufbau eines Modells, das in der Lage ist Few-Shot learnen durchzuführen: Einige gängige Modellarchitekturen sind Prototypische Netze, Siamesische Netze und Model-Agnostic Meta-Learning (MAML).
4)    Trainieren des Modells
5)    Testen und Evaluieren des Modells anhand neuer Aufgaben

Voraussetzungen:
•    Studium im Bereich Verfahrenstechnik, Chemieingenieurwesen, Chemie, Materialwissenschaften oder verwandte Fachrichtungen.
•    Programmierkenntnisse, insbesondere in Python
•    Interesse an künstlicher Intelligenz (KI) und maschinellem Lernen (ML)
•    Die Verwendung von Tools wie PyTorch oder TensorFlow wird empfohlen.
•    Kenntnisse in 3D-Druck und CAD-Konstruktion sind von Vorteil
•    Selbstständige, kreative und analytische Arbeitsweise.

Aufgabensteller: Prof. Dr. Christoph Klahn
Betreuerin: M.Sc. Sima Mehdipour