Tirer parti de l'apprentissage automatique pour accélérer les simulations multi-échelles pour les matériaux destinés aux énergies renouvelables

Tian Tian a obtenu sa licence et sa maîtrise en chimie à l'université de Tsinghua. Il a obtenu son doctorat en génie chimique à l'ETH Zürich sous la direction du professeur Chih-Jen Shih. Sa recherche doctorale s'est concentrée sur la simulation multi-échelle et l'ingénierie des propriétés interfaciales des matériaux bidimensionnels. De 2021 à 2023, il a reçu une bourse de mobilité postdoctorale du Fonds national suisse de la recherche scientifique (FNS) pour mener des recherches postdoctorales à l'Université Carnegie Mellon avec le professeur Zachary W. Ulissi. Il a travaillé sur les simulations de matériaux assistées par l'apprentissage automatique, en particulier sur le réglage fin des modèles de réseaux neuronaux graphiques préformés pour la catalyse informatique et sur le développement de flux de travail informatiques assistés par l'apprentissage automatique. Avant de rejoindre l'UofA, il a brièvement occupé un poste postdoctoral au Georgia Institute of Technology sous la supervision des professeurs Phanish Suryanarayana et Andrew J. Medford, où il a développé des couches de communication logicielle pour le progiciel de théorie fonctionnelle de la densité (DFT) basé sur l'apprentissage automatique.

Le groupe de recherche du Dr Tian à l'UofA et à Amii se concentrera sur les simulations accélérées par l'apprentissage automatique pour la conception de matériaux interfaciaux, explorant les applications dans les matériaux bidimensionnels, le stockage de l'énergie, les matériaux émetteurs de lumière et les matériaux colloïdaux souples. Ses recherches visent à relever les défis posés par les vastes espaces de configuration dans les problèmes interfaciaux, en tirant parti de l'apprentissage automatique pour accélérer les simulations de matériaux à plusieurs échelles. En outre, il s'est engagé à rapprocher les approches informatiques et expérimentales en développant des outils de simulation libres et des cadres de conception basés sur l'apprentissage automatique pour optimiser les propriétés des matériaux et les techniques de synthèse.