| مسلم زارعی دانشکده فیزیک ظرفیت ارشد: 1 ظرفیت دکتری: 1 |
مسلم زارعی (m.zarei@iut.ac.ir) | |||
| مقطع ارشد | 1 دانشجوی کارشناسی ارشد | |||
| کد یکتا: 140332066 | 20.1001.4.VDHG000=.2024.05.11.0.9 | مرجعیت علمی | ||
| گرانش سنجي با كمك سامانه هاي كوانتومي | ||||
| فناوري‌هاي حسگر هاي گرانش سنج كوانتومي روش هاي نويدبخشي براي تقويت گرانش‌سنج‌ها و افزايش حساسيت و دقت را ارائه مي‌كنند. اين پيشرفت‌ها پتانسيل ايجاد انقلابي در كاربردهاي مختلف در صنعت و امور دفاعي را دارند. در اين طرح پيشنهادي : o در فاز اول، همه انواع حسگرهاي گرانشي كوانتومي مهم مطالعه خواهند شد و جزييات فني ساختار اين حسگرها به همراه دقت ها و حساسيت هاي قابل دستيابي و همچنين نمونه هاي تجاري شده ارايه مي شوند. o در فاز بعدي پروژه، با توجه به امكانات موجود در كشور، امكان ساختن چنين گرانش سنج هاي كوانتومي بررسي خواهد شد و پيشنهادهاي راهنماي مشخصي هم براي مجريان ساخت در مرحله آزمايش هاي روميزي ارايه خواهد شد. |
||||
| مسلم زارعی (m.zarei@iut.ac.ir) | ||||
| مقطع دکتری | 1 دانشجوی دکتری | |||
| کد یکتا: 140332065 | 20.1001.4.V9HG000=.2024.05.11.0.4 | مرجعیت علمی | ||
| حسگري كوانتومي ميدان هاي ضعيف | ||||
| طراحي و ساخت حسگرهاي كوانتومي اخيرا به موضوع بسيار مهمي در حوزه هاي مختلف فيزيك و همچنين صنعت تبديل شده است. اين پروژه در مورد پنجره‌هاي جديدي است كه اخيرا حسگرهاي مبتني بر پديده هاي بحراني سيستم هاي كوانتومي بر روي حسگري كوانتومي ميدان هاي ضعيف الكتريكي، مغناطيسي و گرانشي باز كرده اند و در نتيجه حسگرهاي برجسته‌اي را براي تشخيص اين ميدان ها پيشنهاد كرده اند. هدف مطالعه ما اين است كه از پتانسيل افزايش حساسيت كوانتومي در پديده هاي بحراني به‌عنوان حسگر براي اندازه‌گيري دقيق ميدان‌هايي كه گراديان دارند، به‌ويژه در رژيم ميدان ضعيف كه سنسورهاي معمولي اغلب عملكردي كمتر از حد مطلوب نشان مي‌دهند، استفاده كنيم. توانايي حسگري ميدان هاي ضعيف به ما اين امكان را مي دهد كه علاوه بر كاربرهاي صنعتي از اين حسگرها براي اندازه گيري هاي مورد علاقه در فيزيك بنيادي مانند ماده تاريك و امواج گرانشي بهره ببريم. |
||||
| سیدجواد هاشمی‌فر دانشکده فیزیک ظرفیت ارشد: 2 ظرفیت دکتری: 2 |
سیدجواد هاشمی‌فر (hashemifar@iut.ac.ir) | |||
| مقطع دکتری / مقطع ارشد | 1 دانشجوی کارشناسی ارشد | 1 دانشجوی دکتری | ||
| کد یکتا: 140330064 | 20.1001.4.YSHG000=.2024.05.11.0.4 | مرجعیت علمی | ||
| شبیه‌سازی خواص گوناگون مواد راهبردی با استفاده از اصول بنیادی کوانتم | ||||
| امروزه، تکنیک‌های شبیه‌سازی محاسباتی مبتنی بر اصول بنیادی کوانتمی در کنار رایانه‌های مجهز، ابزار بسیار توانمندی را برای محاسبه خواص ساختاری، مکانیکی، الکترونی، مغناطیسی و اپتیکی مواد در اختیار پژوهشگران دانشگاهی و صنعتی قرار داده است. این گونه شبیه‌سازی‌ها در واقع یک آزمایشگاه مجازی در اختیار پژوهشگران قرار می‌دهد تا بتوانند بدون نیاز به فرآیندهای پرهزینه تولید و آنالیز، یک ماده پیشرفته را در شرایط مختلف بررسی کنند. یکی از چالش‌های مطرح در اغلب فناوری‌های راهبردی نظیر صنایع اپتیک، فناوری‌های کوانتمی، صنایع فولاد و فناوری‌های دفاعی، مهندسی و بهبود خواص مواد پیشرفته در جهت افزایش کارایی و کیفیت محصولات است. با توجه به این که مهندسی مواد پیشرفته نیاز به ادوات گرانقیمت سنتز و آنالیز دارد، شبیه‌سازی محاسباتی می‌تواند جایگزین مناسبی برای انجام بخش‌های مهمی از فرآیند تحقیق و توسعه باشد. این گونه شبیه‌سازی‌ها این فرصت طلایی را در اختیار پژوهشگران قرار می‌دهد تا فارغ از هزینههای سنگین آزمایشگاهی، ایده‌های گوناگون را در مورد مواد پیشرفته بررسی کنند و پس از دستیابی به شرایط مطلوب، اقدام به تولید واقعی ماده بنمایند. در دانشکده فیزیک دانشگاه صنعتی اصفهان، دانش عملی بسیار ارزشمندی در زمینه شبیه‌سازی مواد با استفاده از نظریه تابعی چگالی که از معتبرترین نظریات کوانتمی محسوب می‌شود، نهادینه شده و علاوه بر داشتن سابقه پژوهشی بیش از بیست سال در این حوزه و چاپ صدها مقاله با کیفیت، پروژه‌‌های موفقی نیز در این زمینه با همکاری صنایع انجام شده است. در حال حاضر نرم‌افزارهای متنوع و معتبری در زمینه شبیه‌سازی مبتنی بر نظریه تابعی چگالی در این دانشکده بکار گرفته می‌شود و توانمندی بالایی برای محاسبه خواص گوناگون بلورها و نانوساختارهای مختلف وجود دارد. ارتباطات ملی و بین‌المللی درخور توجهی نیز در زمینه این گونه شبیه‌سازی‌ها در دانشکده فیزیک شکل گرفته که موجب افزایش غنای فعالیت‌های پژوهشی این حوزه شده است. شایسته است این تجربیات با مشارکت دانشجویان مستعد و برتر به فناوری‌های راهبردی مورد نیاز کشور تسری پیدا کرده و سهم درخور توجهی در رشد و بالندگی ایران عزیز بیابد. اهداف پروژه حاضر شامل گستره متنوعی از مواد راهبردی می‌شود که هر یک می‌تواند موضوع یک رساله دکتری یا پایان‌نامه کارشناسی ارشد باشد. مواد راهبردی مورد علاقه، در حال حاضر، بلورهای اپتیکی، بلورهای کوانتمی و آلیاژهای فولاد هستند. بررسی اثر آلایش، ناخالصی و نقائص نقطه‌ای در این ترکیبات از مسائل بسیار مهم و مورد علاقه صنایع پیشرفته می‌باشد. در یک رساله دکتری معمولا از تکنیک‌ها و نرم‌افزارهای متنوع شبیه‌سازی استفاده می‌شود تا نتایج گسترده و اطلاعات وسیع‌تری از ماده مورد بررسی بدست آید. به عنوان مثال، از یک نرم‌افزار برای محاسبه ویژگی‌های ساختاری و از تکنیک‌ها و نرم‌افزارهای دیگر برای محاسبه دقیق خواص الکترونی و اپتیکی ماده استفاده می‌شود. در انتها نتایج بدست آمده از تکنیک‌های مختلف با یکدیگر و با نتایج آزمایشگاهی موجود مقایسه می‌شوند تا درک عمیقی از رفتار ماده راهبردی مورد بررسی بدست آید. |
||||
| حسین احمدوند دانشکده فیزیک ظرفیت ارشد: 0 ظرفیت دکتری: 1 |
حسین احمدوند (ahmadvand@iut.ac.ir) | |||
| مقطع دکتری | 1 دانشجوی دکتری | |||
| کد یکتا: 140335079 | 20.1001.4.TDHG000=.2024.05.11.0.9 | مرجعیت علمی | ||
| حسگرهای کوانتمی مبتنی بر الماس | ||||
| بلورهای الماس حاوی مراکز رنگ (جفت‌های نیتروژن - تهی جا) نقش اصلی در حسگری کوانتومی را بر عهده دارند. نحوه ایجاد و کنترل غلظت این مراکز رنگ با چالش‌های فراوانی روبرو است. در قسمت اول این نیاز، به کارگیری انواع روشهای تابش دهی (الکترون، فوتون، نیتروژن) و بهینه‌سازی پارامترهای مربوطه جهت کنترل غلظت مراکز رنگ مورد نظر است. در قسمت دوم این نیاز، به‌کارگیری بلورهای حاوی مراکز رنگ در انواع حسگری از جمله حسگری میدان مغناطیسی، حسگری فرکانس و راه‌اندازی چیدمانهای آزمایشگاهی مربوطه موردنظر خواهد بود. | ||||
| حمیده شاکری پور دانشکده فیزیک ظرفیت ارشد: 1 ظرفیت دکتری: 1 |
حمیده شاکری پور (hshakeri@iut.ac.ir) | علیرضا علافچیان (allafchian@iut.ac.ir) | ||
| مقطع ارشد | 1 دانشجوی کارشناسی ارشد | |||
| کد یکتا: 140328076 | 20.1001.4.YHHG000=.2024.05.11.0.4 | مرجعیت علمی | ||
| ساخت و مقایسه عملکرد نانوذرات مغناطیسی دارای پوشش پلیمری مختلف در حمل و آزادسازی آنتی بیوتیک در شرایط آزمایشگاهی | ||||
| ساخت و مقایسه عملکرد نانوذرات مغناطیسی دارای پوشش پلیمری مختلف در حمل و آزادسازی آنتی بیوتیک در شرایط آزمایشگاهی حمیده شاکری پور، علیرضا علافچیان دانشکده فیزیک، پژوهشکده نانو، دانشگاه صنعتی اصفهان یکی از روش های جدید در داروسازی هدفمند، استفاده از نانو ذرات مغناطیسی است که با پوشش پلیمری محافظت می شوند. این نانو ذرات می توانند به صورت موضعی به نقاط مورد نظر در بدن هدایت شوند و آنتی بیوتیک های مورد نیاز را در آنجا رها کنند. این روش مزایایی مانند کاهش عوارض جانبی، افزایش اثربخشی، و کنترل دقیق دوز دارو را دارد. نتایج آزمایشگاهی نشان داده‌اند که این روش می‌تواند در درمان برخی از عفونت‌های باکتریایی مقاوم به دارو، موثر باشد. در میان رویکردهای مختلف انتقال ژن، علاقه فزاینده ای به تجویز خوراکی DNA پلاسمید (pDNA) به عنوان یکی از ایمن ترین و ساده ترین روش های واکسیناسیون وجود دارد. در مطالعات قبلی مان [1,2]، در این راستا، کیتوزان اصلاح شده با اسید اسکوربیک به عنوان یک پوشش بیومولکولی بر روی نانوذرات اکسید آهن سوپرپارامغناطیس به عنوان یک نانوحامل pDNA استفاده شد. کیفیت و سمیت نانوذرات توسط آنالیزهای مختلف مورد بررسی قرار گرفت وانتشار pDNA در یک محیط روده شبیه سازی شده، اندازه گیری شد. دیده شد که کیتوزان می تواند به عنوان یک بیوپلیمر موثر برای کاربرد در ناقل های غیر ویروسی برای انتقال ژن از طریق یک مسیر خوراکی آسان، استفاده شود. در تحقیق پیشرو، سوالات زیادی برای بررسی کردن وجود دارد؛ مانند: • چه نوع پوشش پلیمری دیگری برای نانوذرات مغناطیسی مناسب است و چه خصوصیاتی باید داشته باشد؟ • چه نوع آنتی بیوتیک‌هایی را میتوان به نانوذرات مغناطیسی دارای پوشش پلیمری متصل کرد و چه مکانیسمی برای آزادسازی آنها در محل هدف وجود دارد؟ • چه بیماری‌ها و عفونت‌هایی را میتوان با داروسازی هدفمند با استفاده از نانوذرات مغناطیسی دارای پوشش پلیمری ساخته شده، درمان کرد و چه نتایجی از این روش کسب می شود؟ [1] Karimi Jabali, M., et al., Design of a pDNA nanocarrier with ascorbic acid modified chitosan coated on superparamagnetic iron oxide nanoparticles for gene delivery, Colloids and Surface A: Physicochemical and Engineering Aspects 632, 127743 (2022) [2] Nikforouz, B., et al., Quince seed mucilage coated iron oxide nanoparticles for plasmid DNA delivery, Nanotecnology 33, 075102 (2022) |
||||
| حمیده شاکری پور (hshakeri@iut.ac.ir) | ||||
| مقطع دکتری | 1 دانشجوی دکتری | |||
| کد یکتا: 140328063 | 20.1001.4.VXHG000=.2024.05.11.0.9 | مرجعیت علمی | ||
| پیش‌بینی ابررساناهای جدید با دمای‌گذار بالا با استفاده از یادگیری‌عمیق | ||||
| خواص شگفت انگیز مواد ابررسانا (عبور جریان الکتریکی با مقادیر بالا و بدون هیچ مقاومت الکتریکی از سیم‌های نازک و اثر مایسنر) پیامدهای مستقیم مکانیک کوانتوم است که در بزرگ مقیاس متبلور می‌شوند. از یک سو نظریه‌ای جامع که توانایی پیش بینی مواد ابررسانای جدید با دمای گذار بالا و تعیین دمای گذار آنها را داشته باشد، تا به امروز ارائه نشده و از سوی دیگر، مشاهده مقدار دمای گذار یک ترکیب، مستلزم صرف هزینههای بالا به منظور ساخت نمونه در آزمایشگاه است. برای استفاده از روش های محاسباتی نیز مانند استفاده از روشهای DFT، در پیش‌بینی و محاسبه خواص این مواد کوانتومی، نیاز به کامپیوترهای قدرتمند و زمان زیاد می‌باشد. هم چنین، بررسی خواص ترکیبات چند عنصری با روشهای محاسباتی کنونی، بسیار سخت و غیرممکن است. در این میان، رهیافت‌های نوین هوش مصنوعی گزینه مناسبی برای پاسخ به پرسش‌های فوق خواهد بود. یادگیری ماشین، یکی از مهیج‌ترین ابزارهایی است که در سال‌های اخیر وارد دنیای علم مواد شده است [1]. هدف الگوریتم‌های یادگیری ماشین، بهبود عملکرد یک وظیفه خاص با استفاده از نمونه‌ها و تجربه‌های گذشته است. در این رهیافت، الگوریتم‌ها با تجزیه و تحلیل داده‌ها به دنبال شناسایی الگوهای موجود در داده‌ها و استخراج دانش و اطلاعات موثر از درون داده‌ها هستند [1, 2]. یکی از مهمترین اهداف علم فیزیک ارائه یک مدل ریاضیاتی است که بتواند رویدادهای آینده و رفتار یک سیستم را پیش بینی نماید. مدل ریاضی از طریق تجزیه و تحلیل داده‌ها به دست می‌آید. در مطالعات اخیری که در این زمینه انجام داده‌ایم نتایج خوبی به دست آمده که بخشی از آن در [3] ارایه شده است؛ به طور کلی، سازوکار پیش بینی دمای گذار مواد ابررسانا در رهیافت یادگیری ماشین به این صورت است که در ابتدا مراحل پیش‌پردازش داده برروی مجموعه داده صورت می‌پذیرد. در این پژوهش، با اعمال فرآیندهای مختلف پیش‌پردازش داده، که شامل پاکسازی و تمیزکاری داده‌ها، حذف نویزها، حذف داده‌های پرت، حذف داده‌های مشکل دار و… است در نهایت مجموعه داده DataG با 13022 ترکیب ابررسانا را ارائه کردیم. پس از انجام این مرحله، باید برای هر ترکیب ابررسانا تعدادی ویژگی فیزیکی تولید کنیم. در واقع نمایش هر ترکیب در فضای ویژگی، صورت می‌پذیرد به گونه‌ای که مشخصه و اثرانگشت هر ترکیب همان ویژگی‌هایی است که به آن اختصاص داده می‌شود. الگوریتم با درک این تفاوت‌ها، یک مدل مناسب ایجاد می‌کند به گونه‌ای که اگر ترکیب جدید با ویژگی‌هایش به مدل داده شود، الگوریتم قادر خواهد بود بر اساس مدل طراحی شده در مرحله آموزش، دمای گذار ترکیب جدید را پیش بینی نماید. به منظور این هدف، بسته هایی به نام ثریا و جابر با زبان پایتون طراحی شد که ثریا قادر است 322 ویژگی اتمی برای هر ترکیب ابررسانا تولید نماید. بسته جابر، از بین این 322 ویژگی، بهترین و وابسته ترین ویژگی‌ها به دمای گذار ماده را تعیین و انتخاب می‌کند [3]. برای ادامه کار و تشخیص نوع ماده، با استفاده از روشهای مبتنی بر هوش‌مصنوعی، نیاز به کارهای گسترده‌تری می‌باشد. در تحقیق پیشرو، هدف، استفاده از الگوریتم‌های دسته‌بندی و استفاده از یادگیری عمیق و بهینه کردن این الگوریتم‌ها برای پیش‌بینی و تشخیص نوع ترکیب است. هدف، پیش‌بینی ابررساناهای جدید با دمای گذار ابررسانایی بالاتر از 130 کلوین می‌باشد. مدل‌های یادگیری ماشین به خوبی قادرند همبستگی‌ها و ویژگی‌های مهم و اساسی در مجموعه داده را شناسایی کرده و یک مدل مناسب برای پیش‌بینی خواص مواد ارائه دهند. [1] Schmidt, J., et al., Recent advances and applications of machine learning in solid-state materials science. npj Computational Materials, 2019. 5, 83. [2] Schleder, G.R., et al., From DFT to machine learning: recent approaches to materials science–a review. Journal of Physics: Materials, 2019. 2, 032001. [3] Gashmard, H., Shakeripour, H., Alaei, M., Predicting Superconducting Transition Temperature through Advanced Machine Learning and Innovative Feature Engineer . . . (به علت طولانی بودن چکیده فقط بخشی اینجا آورده شده است. برای اطلاعات بیشتر به استاد محترم مراجعه نمایید). |
||||
| حامد بخشیان‌سهی دانشکده فیزیک ظرفیت ارشد: 1 ظرفیت دکتری: 1 |
حامد بخشیان‌سهی (bakhshian@iut.ac.ir) | |||
| مقطع دکتری / مقطع ارشد | 1 دانشجوی کارشناسی ارشد | 1 دانشجوی دکتری | ||
| کد یکتا: 140333068 | 20.1001.4.TXHG000=.2024.05.11.0.9 | مرجعیت علمی | ||
| مطالعه‌ی مزیت استفاده از روشهای محاسباتی کوانتومی در فیزیک ذرات آزمایشگاهی | ||||
| با توجه به گسترش رو به رشد و چشم انداز کامپیوترهای کوانتومی در سال‌های پیش رو، پرسش مهم این است که چه مقدار و در چه زمینه‌هایی میتوان از این فناوری نوین بهره مند شد و انتظار بهبود داشت. در [مقاله‌ای][1] که در سال ۱۴۰۲ توسط محققین مرتبط با مرکز هسته‌ای اروپا (سرن) نوشته شد، استراتژی و خطوط کلی مطالعات لازم در این زمینه برای فیزیک انرژی‌های بالا ترسیم گردیده است. در این پروژه، با بهره‌گیری از ارتباط دانشگاه صنعتی اصفهان با سرن، مزایای استفاده کردن از یادگیری ماشین کوانتومی در تحلیل داده‌ها و همچنین انجام شبیه‌سازی فرآیندهای مورد نیاز فیزیک ذرات را مطالعه خواهیم کرد. در این پروژه، دانشجوی تحصیلات تکمیلی (دکتری یا ارشد) باید در ابتدا کاربرد یادگیری ماشین در تحلیل‌داده‌های آزمایش‌های فیزیک ذرات را بشناسد. برای این امر در سال اول، دانشجو در یکی از مطالعات جاری آزمایش سی.ام.اس مشغول به کار خواهد شد. به موازات آن و با فراگیری محاسبات کوانتومی، انتقال مطالعات انجام شده به یادگیری کوانتومی به عنوان بخش اصلی پروژه اجرا خواهد گردید. [1]: https://arxiv.org/abs/2307.03236 |
||||
