Kursplan för Artificiell intelligens för molekyler

Kursplan fastställd 2025-02-03 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnArtificial intelligence for molecules
  • KurskodDAT675
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeInformationsteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87140
  • Max antal deltagare50 (minst 10% av platserna reserveras för utbytesstudenter)
  • Sökbar för utbytesstudenterJa

Poängfördelning

0125 Inlämningsuppgift 3 hp
Betygsskala: TH		 3 hp
0225 Projekt 4,5 hp
Betygsskala: TH		 4,5 hp

I program

Examinator

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

För att registrera sig på kursen ska studenterna ha slutfört och godkänt följande:
  • DAT565 Introduktion till data science och AI eller motsvarande
  • Minst ytterligare en programmeringskurs

Syfte

Den här kursen ger en omfattande introduktion till den omvälvande roll av AI inom molekylärvetenskap. Kursen är uppdelad i fyra moduler och omfattar molekylära representationer, förutsägelse av egenskaper och generativa AI-tekniker. Kursen avslutas med ett praktiskt projekt som tar itu med verkliga utmaningar. 
Kursen lägger tonvikten på praktiska färdigheter och integrerar programmering, ramverk för maskininlärning och bästa praxis för datahantering. Kursen är utformad för studenter med en gedigen programmeringsgrund och bygger broar mellan olika vetenskapliga bakgrunder för att utforska skärningspunkten mellan AI och molekylärvetenskap.

Lärandemål (efter fullgjord kurs ska studenten kunna)


Kunskap och förståelse

Efter avslutad kurs kommer studenterna att kunna:
1. Redogöra för den roll som molekylär data spelar i hanteringen av globala utmaningar såsom innovation inom hälso- och sjukvård, hållbarhet och bioteknik. Förklara dess särskilda betydelse jämfört med andra områden inom datavetenskap.
2. Beskriva grunderna för keminformatik och utvecklingen av AI-metoder för molekylära tillämpningar, med betoning på historiska milstolpar och tekniska framsteg.
3. Förklara principerna för representation och analys av molekylära data, inklusive viktiga utmaningar, fallgropar och bästa praxis när man arbetar med dessa specialiserade data.
4. Demonstrera kunskap om de senaste AI-metoderna för förutsägelse av molekylära egenskaper och molekylär generering, inklusive deras styrkor, begränsningar och potential för industriella tillämpningar.
5. Kritiskt utvärdera AI-modeller i samband med molekylärvetenskap, med hänsyn till datakvalitet, fördomar och de bredare konsekvenserna av modelldesign och prestanda.

Färdigheter och förmågor

Efter avslutad kurs kommer studenterna att kunna:
1. Förbehandla, analysera och hantera molekylära dataset, säkerställa datakvalitet och ta itu med vanliga utmaningar som obalans i data och partiskhet.
2. Utforma och implementera maskininlärningsrörledningar som är skräddarsydda för prediktion av molekylära egenskaper och generativa uppgifter, med tanke på verkliga begränsningar som saknade data, datagleshet, beräkningsresurser och modellkomplexitet.
3. Tillämpa avancerade tekniker inom optimering, statistik och algoritmutveckling på molekylära AI-uppgifter och analysera resultaten på ett meningsfullt och reproducerbart sätt.
4. Använda moderna programmeringsverktyg och bibliotek (t.ex. PyTorch, RDKit, scikit-learn, HuggingFace) för att utveckla skalbara och effektiva arbetsflöden för molekylär AI, samtidigt som du anpassar dig till ny teknik inom området.
5. Kommunicera resultat, insikter och konsekvenser av molekylär AI-forskning effektivt till tvärvetenskapliga målgrupper och främja samarbete mellan olika områden.

Bedömning och tillvägagångssätt

Efter framgångsrikt genomförande av kursen kommer studenterna att kunna:
1. Kritiskt bedöma molekylära AI-modeller för tillförlitlighet, reproducerbarhet, skalbarhet och tillämpbarhet på verkliga problem i olika branscher.
2. Reflektera över de etiska, samhälleliga och miljömässiga konsekvenserna av AI-drivna lösningar inom molekylära vetenskaper och bidra till en ansvarsfull utveckling och tillämpning av dessa tekniker.
3. Utvärdera den strategiska potentialen i att integrera molekylär AI för att lösa framtida globala utmaningar, identifiera möjligheter till innovation och tvärvetenskapligt samarbete.
4. Främja ett tankesätt som bygger på kontinuerligt lärande och kritisk granskning, med hänsyn till AI-teknikens föränderliga natur och dess tillämpningar inom molekylärvetenskap.

Innehåll

Kursen utforskar den föränderliga roll som artificiell intelligens (AI) spelar inom molekylärvetenskap. Den ger studenterna en omfattande introduktion till principer, metoder och tillämpningar av AI för molekylär forskning.

Kursen är indelad i fyra moduler och börjar med en introduktion till området och maskinrepresentationer av molekyler (modul 1). Med utgångspunkt i denna grund fördjupar sig kursen sedan i prediktion av molekylära egenskaper med hjälp av maskininlärning (modul 2), med fokus på bästa praxis för dataförberedelse och konstruktion av prediktiva modeller. I modul 3 utforskar studenterna generativa AI-tekniker för att designa nya molekyler, vilket ger dem färdigheter inom molekylär teknik. Slutligen innehåller kursen ett praktiskt projekt (modul 4), där studenterna tillämpar sina kunskaper för att ta itu med en verklig utmaning inom molekylär teknik.

Kursen betonar utveckling av praktiska färdigheter, integrering av programmering, kemoinformatik, ramverk för maskininlärning och god datahanteringspraxis. Den är utformad för studenter från olika vetenskapliga bakgrunder som redan har en solid grund i programmering och som vill lära sig mer om metoder i skärningspunkten mellan AI och molekylärvetenskap.

Organisation

Kursen består av 16 föreläsningar (två 90-minutersföreläsningar per vecka), 2 laborationer per vecka och ett slutprojekt. Följande delar av kursen är obligatoriska:
  • 2 inlämningsuppgifter
  • Projektförslag
  • Slutlig projektrapport
  • Slutlig presentation

Litteratur

Kursen använder resurser med öppen källkod (gratis e-böcker, bloggar och vetenskapliga artiklar) som en del av kurslitteraturen.

Examination inklusive obligatoriska moment

Betygsskalan (5, 4, 3) består av:
  • 2 inlämningsuppgifter (5 poäng vardera)
  • Projektförslag (5 poäng)
  • Slutlig projektrapport (5 poäng)
  • Slutlig presentation (5 poäng)
Betygen kommer att sättas enligt följande skala:
  • 5: 24-25 poäng (av 25 möjliga)
  • 4: 21-23 poäng
  • 3: 17-20 poäng
  • U: <17 poäng

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om riktat pedagogiskt stöd på grund av funktionsnedsättning.