🎓🇺🇸 بورسیه فول فاند مقطع دکتری و پسادکتری در آمریکا

🔬 Liu Lab – AI-enabled Experimentation for Quantum Materials

🏛 دانشگاه: Northeastern University
🏫 دپارتمان: Department of Physics
📍 محل فعالیت: Burlington, Massachusetts, USA
👨‍🔬 Principal Investigator: Richard Liu
💡 حوزه اصلی: Quantum Materials & AI-enabled Experimentation

━━━━━━━━━━━━━━
🧪 معرفی Liu Lab

گروه پژوهشی Liu Lab در دانشگاه Northeastern با هدف درک و کنترل مواد کوانتومی (Quantum Materials) از طریق آزمایش‌هایی فعالیت می‌کند که قادرند از نتایج خود یاد بگیرند.

این گروه پژوهشی در نقطه تلاقی چند حوزه پیشرفته قرار دارد:

🤖 هوش مصنوعی
🧠 یادگیری ماشین
⚛️ مواد کوانتومی
🔬 میکروسکوپی پیشرفته
🧪 ساخت مواد در مقیاس اتمی
📊 کشف خودکار مواد

هدف اصلی آزمایشگاه، ایجاد یک چرخه پژوهشی است که در آن:

ساخت ماده → اندازه‌گیری → یادگیری ماشین → تصمیم آزمایش بعدی

به‌صورت یک فرآیند پیوسته و هوشمند انجام شود.

━━━━━━━━━━━━━━
🔬 محورهای اصلی پژوهش

01 | Automated Atomic Fabrication ⚛️

توسعه روش‌هایی برای ایجاد و اصلاح ساختارها در مقیاس اتمی و بررسی تأثیر این تغییرات بر خواص مواد.

تمرکز بر:

🔹 کنترل اتمی ساختارها
🔹 ساخت و اصلاح مواد در مقیاس اتمی
🔹 بررسی رابطه ساختار و خواص
🔹 کنترل تجربی مواد کوانتومی

━━━━━━━━━━━━━━

02 | Intelligent Microscopy 🔬

توسعه روش‌های هوشمند برای میکروسکوپی و مشخصه‌یابی مواد.

در این بخش، سیستم‌های Scanning Probe Microscopy و سایر روش‌های characterization به‌گونه‌ای طراحی می‌شوند که بتوانند:

📊 داده‌های اندازه‌گیری‌شده را تحلیل کنند
🔬 اندازه‌گیری‌ها را با توجه به ویژگی نمونه تطبیق دهند
🧠 از نتایج قبلی برای انتخاب اندازه‌گیری‌های بعدی استفاده کنند

━━━━━━━━━━━━━━

03 | Closed-Loop Discovery 🤖🔄

یکی از جذاب‌ترین بخش‌های پژوهش Liu Lab، ایجاد یک چرخه بسته میان:

⚛️ Fabrication
🔬 Characterization
🤖 Machine Learning
📈 Experimental Decision Making

است.

در این رویکرد، نتیجه هر آزمایش در تصمیم‌گیری برای آزمایش بعدی نقش دارد.

هدف نهایی، حرکت از آزمایش‌های کاملاً دستی و از پیش تعیین‌شده به سمت Learning-guided Materials Discovery است.

━━━━━━━━━━━━━━
🧠 نمونه‌های پژوهشی

🔹 Autonomous Materials Characterization

در یکی از پروژه‌ها، یک کتابخانه ترکیبی از مواد (Al, Sc, B)N بررسی شده است.

پارامترهایی مانند:

▪️ Roughness
▪️ Piezoresponse
▪️ Hysteresis-loop Area

اندازه‌گیری شده و نتایج این اندازه‌گیری‌ها برای هدایت مرحله بعدی آزمایش مورد استفاده قرار گرفته‌اند.

در این فرآیند، مدل‌های Gaussian Process به همراه acquisition maps برای انتخاب محل اندازه‌گیری بعدی استفاده می‌شوند.

━━━━━━━━━━━━━━

🔹 Multi-objective Active Learning

در این حوزه، تصاویر و داده‌های اندازه‌گیری‌شده از ساختار محلی ماده وارد مدل‌های:

🧠 Deep Kernel Learning
📊 Multi-objective Learning

می‌شوند.

پیش‌بینی‌های حاصل از مدل به پژوهشگران کمک می‌کند محل بعدی آزمایش را انتخاب کنند و فرآیند آزمایش به‌صورت تطبیقی ادامه پیدا کند.

━━━━━━━━━━━━━━
🎯 مناسب برای چه رشته‌هایی هست؟

این آزمایشگاه برای دانشجویان و پژوهشگرانی با پیش‌زمینه در حوزه‌های زیر می‌تواند بسیار مرتبط باشد:

🔹 فیزیک
🔹 فیزیک ماده چگال
🔹 فیزیک مواد
🔹 مواد کوانتومی
🔹 علم مواد
🔹 مهندسی مواد
🔹 مهندسی برق و الکترونیک
🔹 مهندسی مکانیک
🔹 علوم کامپیوتر
🔹 هوش مصنوعی
🔹 یادگیری ماشین
🔹 علم داده
🔹 نانوفناوری
🔹 میکروسکوپی و مشخصه‌یابی مواد
🔹 فیزیک محاسباتی
🔹 مهندسی نانو
🔹 سایر رشته‌های مرتبط با Materials Science و Quantum Science

━━━━━━━━━━━━━━
👨‍🔬 استاد و سرپرست آزمایشگاه

Richard Liu

Assistant Professor of Physics در Northeastern University

ایشان در حوزه‌های زیر فعالیت پژوهشی دارد:

⚛️ Quantum Materials
🔬 Scanning Probe Microscopy
🤖 Machine Learning
🧪 Experimental Science
🔎 Materials Characterization

همچنین به Quantum Materials and Sensing Institute در Burlington پیوسته است.

━━━━━━━━━━━━━━
🎓 فرصت‌های پژوهشی

Liu Lab اعلام کرده است که از درخواست‌های پژوهشی افراد علاقه‌مند به همکاری استقبال می‌کند، از جمله:

🎓 Prospective Students

و

👨‍🔬 Postdoctoral Researchers

📌 با این حال، متن ارسالی یک موقعیت مشخص با عنوان PhD یا Postdoctoral Position، میزان فاند، حقوق، تعداد جایگاه یا ددلاین مشخص ارائه نکرده است.

بنابراین متقاضیان علاقه‌مند باید مستقیماً با آزمایشگاه درباره فرصت‌های موجود تماس بگیرند.

━━━━━━━━━━━━━━
📥 لینک اپلای

https://richardliucoding.github.io/join.html


━━━━━━━━━━━━━━