Active learning–driven design space reduction for material discovery via Bayesian optimization : a COF case study
| dc.contributor.advisor | Ρεκατσίνας, Χριστόφορος | |
| dc.contributor.author | Τσιλιμιδός, Παναγιώτης | |
| dc.date.accessioned | 2026-06-03T11:59:35Z | |
| dc.date.available | 2026-06-03T11:59:35Z | |
| dc.date.issued | 2026-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19401 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά τις εφαρμογές των τεχνικών Active Learning και Bayesian Optimization στην ανακάλυψη υλικών, με στόχο την εύρεση της βέλτιστης διαμόρφωσης υλικού με τον πιο οικονομικά αποδοτικό τρόπο. Η εργασία εστιάζει στη χρήση μοντέλων μηχανικής μάθησης για την εξερεύνηση, τον περιορισμό και τη βελτιστοποίηση εκτεταμένων σχεδιαστικών χώρων με τη χρήση των ελάχιστων δυνατών πόρων. Τα ευρήματα υποδεικνύουν ότι ένας συνδυασμός μοντέλων και αλγορίθμων μηχανικής μάθησης αποτελεί ισχυρό εργαλείο κατά την εξερεύνηση μέχρι πρότινος άγνωστων χώρων σχεδιασμού, επιτυγχάνοντας παράλληλα χαμηλό κόστος. Η χρησιμοποιούμενη προσέγγιση δεν είναι στενά συνδεδεμένη με ένα συγκεκριμένο σύνολο δεδομένων ή κατηγορία υλικών, γεγονός που την καθιστά ένα χρήσιμο πλαίσιο για την αντιμετώπιση αφηρημένων προβλημάτων βελτιστοποίησης. | el |
| dc.format.extent | 23 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Active learning–driven design space reduction for material discovery via Bayesian optimization : a COF case study | el |
| dc.title.alternative | Μάθηση με ενεργή συμμετοχή για τη μείωση του χώρου σχεδιασμού στην ανακάλυψη υλικών μέσω βελτιστοποίησης Bayes : μια μελέτη περίπτωσης COF | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | 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. | el |
| dc.corporate.name | ΕΚΕΦΕ Δημόκριτος | el |
| dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
| dc.subject.keyword | Active learning | el |
| dc.subject.keyword | Bayesian optimization | el |
| dc.date.defense | 2026-04-03 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα