Το μάθημα αποτελεί μια ολοκληρωμένη εισαγωγή στις θεωρητικές και υπολογιστικές μεθόδους που χρησιμοποιούνται για τη μελέτη και πρόβλεψη των ιδιοτήτων υλικών σε ατομική και ηλεκτρονιακή κλίμακα. Στοχεύει στο να δώσει στους φοιτητές στέρεο υπόβαθρο στις θεμελιώδεις φυσικές αρχές, στους αριθμητικούς αλγορίθμους και στην πρακτική εφαρμογή τους μέσω σύγχρονων υπολογιστικών εργαλείων υψηλών επιδόσεων (HPC).
Αρχικά παρουσιάζεται ο ρόλος της υπολογιστικής επιστήμης ως τρίτου πυλώνα της έρευνας στα υλικά — δίπλα στη θεωρία και το πείραμα — και η αναγκαιότητά της στη μελέτη πολύπλοκων συστημάτων. Αναλύονται οι βασικές κατηγορίες μεθόδων, από κλασικές προσομοιώσεις μέχρι κβαντομηχανικές προσεγγίσεις, καθώς και οι δυνατότητες και περιορισμοί των σύγχρονων υπολογιστικών συστημάτων.
Το μεγαλύτερο μέρος του μαθήματος επικεντρώνεται στη Μοριακή Δυναμική, όπου εξετάζονται η περιγραφή των ατομικών αλληλεπιδράσεων, η επίλυση των εξισώσεων κίνησης, η αρχικοποίηση και εξισορρόπηση συστημάτων, καθώς και οι τεχνικές παραγωγής και ανάλυσης υπολογιστικών δεδομένων για θερμοδυναμικές, μηχανικές και δομικές ιδιότητες. Παράλληλα αναλύονται οι μέθοδοι πρώτων αρχών και η Θεωρία Λειτουργικού Πυκνότητας, παρέχοντας θεωρητικό υπόβαθρο για την ηλεκτρονική δομή, τις ενεργειακές καταστάσεις, τις συναρτήσεις ανταλλαγής–συσχέτισης και τις αριθμητικές τεχνικές επίλυσης κβαντομηχανικών εξισώσεων.
Ιδιαίτερη έμφαση δίνεται στη διερεύνηση των δυνατοτήτων της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης στη φυσική και μηχανική των υλικών. Παρουσιάζονται σύγχρονες εφαρμογές όπως η ανάπτυξη μηχανικής μάθησης δυναμικών (machine-learning interatomic potentials), η επιτάχυνση υπολογισμών DFT, η πρόβλεψη ιδιοτήτων υλικών, καθώς και τα εργαλεία για αυτοματοποίηση διεργασιών υψηλής διαμέτρου (high-throughput screening). Οι φοιτητές έρχονται σε επαφή με τις έννοιες των εξαγόμενων χαρακτηριστικών (features), των νευρωνικών δικτύων, της ενεργής μάθησης και των βάσεων δεδομένων υλικών, κατανοώντας πώς η AI συνδυάζεται με τις κλασικές υπολογιστικές τεχνικές για την ανακάλυψη νέων υλικών.
Το εργαστηριακό μέρος περιλαμβάνει εφαρμογές με επαγγελματικά λογισμικά προσομοιώσεων. Οι φοιτητές εκτελούν προσομοιώσεις μοριακής δυναμικής για να μελετήσουν θερμικές και μηχανικές ιδιότητες, ενώ παράλληλα εφαρμόζουν μεθόδους ηλεκτρονικής δομής για βελτιστοποίηση γεωμετρίας και υπολογισμό ενεργειακών καταστάσεων. Μέσα από πρακτικές ασκήσεις, αναπτύσσουν ικανότητες χειρισμού λογισμικών, ανάλυσης δεδομένων και ορθής ερμηνείας αποτελεσμάτων.
Μετά την ολοκλήρωση του μαθήματος, οι φοιτητές αποκτούν ουσιαστική κατανόηση των σύγχρονων υπολογιστικών εργαλείων στη μελέτη υλικών, εξοικειώνονται με τη χρήση HPC, MD, DFT και AI μεθοδολογιών και αναπτύσσουν δεξιότητες απαραίτητες για έρευνα και εφαρμογές στην επιστήμη και τεχνολογία υλικών.