Хиймэл оюунд тулгуурласан материал судлалын шинэ үеийн сургалт
MTRL хөтөлбөр нь материалын бүтэц–шинж чанар–боловсруулалтын мэдлэгийг өгөгдөл, симуляци, хиймэл оюуны аргачлалтай хослуулан ирээдүйн материалын инженерүүдийг бэлтгэнэ.
Materials Informatics
Материалын өгөгдөл, шинж чанарын таамаглал, материал сонголт болон дизайн.
AI-assisted Learning
Хичээл, лаборатори, тайлан, төсөлд AI туслах ашиглан суралцах хурдыг нэмэгдүүлнэ.
Digital Lab & Simulation
Виртуал туршилт, Python/Jupyter, материалын процессын тоон загварчлал.
Дэлхийн топ их сургуулиуд материал судлалд AI-г хэрхэн нэвтрүүлж байна вэ?
Дэлхийн тэргүүлэх материал судлал, инженерчлэлийн хөтөлбөрүүд AI-г тусдаа нэмэлт сэдэв бус, харин материалын өгөгдөл, симуляци, лабораторийн шинжилгээ, материалын дизайны үндсэн арга хэрэгсэл болгон нэвтрүүлж байна.
MIT
MIT нь Applied AI for Materials Discovery, generative methods, agentic workflows, multiscale modeling зэрэг аргачлалаар материалын нээлт, хөгжүүлэлтийг хурдасгах чиглэлээр тэргүүлэх жишээ болж байна.
Stanford University
Stanford-ийн Materials Computation, Theory & Design чиглэл нь тооцоолол, статистик, machine learning ашиглан материалын дизайн, шинжилгээг хурдасгахыг онцолдог.
UC Berkeley
UC Berkeley-ийн Materials Project нь high-performance computing, machine learning, open materials database ашиглан шинэ материалын судалгааг түргэсгэх дэлхийн томоохон платформ юм.
National University of Singapore
NUS-ийн Materials Science and Engineering хөтөлбөр нь Artificial Intelligence in MSE чиглэлээр AI, data science, materials discovery-г сургалттай холбож байна.
Northwestern University
Northwestern-ийн Materials Informatics сургалт нь Python, machine learning, AI, materials datasets, LLM, autonomous labs зэрэг сэдвийг хамардаг.
MTRL AI Vision & Learning System
Traditional Materials Science → AI-enabled Materials Engineering
Traditional Materials Science
Characterization & Simulation
Materials Informatics
AI-assisted Design
Autonomous Discovery
MTRL AI Learning Pathway
AI literacy, data literacy
Материалын төрөл, бүтэц, шинж чанарын ойлголтыг өгөгдлийн талаас харах.
Python, Excel, өгөгдөл цэвэрлэх
Инженерийн өгөгдлийг графикжуулах, статистик шинжилгээ хийх суурь.
Machine learning, property prediction
Өгөгдөл дээр тулгуурлан материалын шинж чанарыг таамаглах алгоритм ашиглах.
AI-assisted capstone project
Төгсөлтийн төсөл, судалгаанд AI аргачлалыг практикт нэвтрүүлэх.
MTRL хичээлүүдэд AI-г хэрхэн холбох вэ?
| Хичээлийн нэр | Data analysis | Simulation | AI assistant | ML prediction | Project-based |
|---|---|---|---|---|---|
| MTRL201 Материал судлалын үндэс | ● | ○ | ● | ○ | ● |
| MTRL302 Материалын боловсруулалт | ● | ● | ● | ● | ● |
| MTRL304 Материалын механик шинж чанар | ● | ● | ● | ● | ● |
| MTRL408 Дэвшилтэт материалууд | ● | ○ | ● | ● | ● |
| Нано/биоматериалын хичээлүүд | ● | ● | ● | ● | ● |
AI-assisted Laboratory Workflow
MTRL хөтөлбөр дээр хэрэгжих боломжууд
AI-assisted хичээлийн туслах
Оюутан хичээлийн сэдэв, лабораторийн үр дүн, материалын шинж чанарын ойлголтыг баталгаатай эх сурвалж дээр тулгуурлан асууж суралцах chatbot ашиглана.
Materials Data Mini-lab
Оюутнууд материалын нягт, хатуулаг, дулаан дамжуулалт, механик шинж зэрэг өгөгдлийг цуглуулж, жижиг өгөгдлийн сан үүсгэнэ.
Python / Jupyter сургалт
Материалын өгөгдлийг графикжуулах, regression хийх, шинж чанар таамаглах суурь дадлага хийнэ.
AI-assisted laboratory report
AI ашиглан тайлангийн бүтэц, график тайлбар, эх сурвалжийн эмхэтгэл хийх боловч эцсийн дүгнэлтийг оюутан өөрөө гаргана.
Монголын түүхий эдэд суурилсан төсөл
Зэс, нүүрс, цемент, эрдэс, газрын ховор элемент, барилгын материалын өгөгдөл дээр AI-assisted судалгааны төсөл хийнэ.
Симуляци ба виртуал лаборатори
Материалын боловсруулалт, фазын диаграмм, керамик/металл/полимер процессын виртуал туршилт хийнэ.
AI-enabled MTRL сургалтыг хэрэгжүүлэх үе шат
I үе шат: Суурь бэлтгэл ба бодлого
AI сургалтын бодлого боловсруулах, MTRL chatbot-ийн эхний хувилбар гаргах, хичээлийн нөөцийг холбох.
Хүрэх үр дүн: AI туслахтай болноII үе шат: Хичээлд турших
MTRL201, MTRL302 хичээл дээр AI-assisted assignment турших, үнэлгээний зарчмыг шинэчлэх.
Хүрэх үр дүн: AI-assisted learning pilot хэрэгжинэIII үе шат: Өгөгдөлд суурилсан сургалт
Materials Data Mini-lab үүсгэх, Python/Jupyter ашиглан материалын өгөгдөл дээр ажиллаж сурах.
Хүрэх үр дүн: Өгөгдөл шинжилгээ, таамаглал хийх чадвартай болноIV үе шат: Төсөл ба лабораторийн хэрэглээ
AI-assisted capstone project хэрэгжүүлэх, industry problem-based төслүүдийг эхлүүлэх.
Хүрэх үр дүн: Төгсөлтийн төсөлд AI хэрэглээ нэвтэрнэV үе шат: Судалгаа–сургалт–үйлдвэрлэлийн экосистем
Судалгаа, сургалт, үйлдвэрлэлийн AI экосистем бүрдүүлж, MTRL-ийн AI-enabled materials education брэндийг хөгжүүлнэ.
Хүрэх үр дүн: MTRL хөтөлбөрийн ялгарах чиглэл бүрдэнэ