Active learning–driven design space reduction for material discovery via Bayesian optimization : a COF case study

Τσιλιμιδός, Παναγιώτης

Μάθηση με ενεργή συμμετοχή για τη μείωση του χώρου σχεδιασμού στην ανακάλυψη υλικών μέσω βελτιστοποίησης Bayes : μια μελέτη περίπτωσης COF

Master Thesis

Author

Τσιλιμιδός, Παναγιώτης

Date

2026-06

Abstract

This thesis explores the applications of Active Learning and Bayesian Optimization in material discovery, with the objective of identifying optimal material configurations in a cost-efficient manner. The work focuses on leveraging machine learning models to explore, prune and optimize vast design spaces with the fewest resources possible. Findings indicate that a combination of machine learning models and algorithms provide robust tools when exploring uncharted design spaces and doing so in an inexpensive manner. The setup used is not tightly chained to a specific dataset or material class, making it broadly applicable to abstract optimization problems.

Postgraduate Studies Programme

Τεχνητή Νοημοσύνη - Artificial Intelligence

Department

Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων

Corporate Department

ΕΚΕΦΕ Δημόκριτος

Number of pages

Language

English

URI

https://dione.lib.unipi.gr/xmlui/handle/unipi/19401

Collections

Τμήμα Ψηφιακών Συστημάτων

Show full item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα