W wyniku projektu powstanie platforma obliczeniowa i stanowiska pomiarowe dla środowiska naukowego i podmiotów gospodarczych w kraju i za granicą. Agenda badawcza PLAI4SCIENCE obejmuje zagadnienia:

1. Symulacji materiałowych wspomaganych mechanizmami ML: badanie właściwości molekuł i nanostruktur; badanie właściwości optoelektronicznych układów niskowymiarowych; rozwój i wykorzystanie metod kwantowo-chemicznych oraz symulacyjnych wspomaganych przez AI/ML w celu zmniejszenia kosztów obliczeń teoretycznych oraz umożliwienia symulacji dużych układów, trudnych do przetwarzania dostępnymi obecnie metodami kwantowo-chemicznymi.
   • Aplikacje:
     • przewidywanie właściwości układów wieloelektronowych,
     • chemia obliczeniowa,
     • obliczenia spektroskopowe,
     • inżynieria materiałowa,
     • dynamika molekularna,
     • projektowanie leków,
     • identyfikacja materiałów dla branż fotowoltaiki, spintroniki i elektroniki organicznej.
2. Spektroskopii molekularnej i metrologii fotonicznej: wykorzystanie optycznych wnęk rezonansowych, spektroskopii ultraprecyzyjnej, optycznych grzebieni częstotliwości do pomiarów własności materiałowych i procesów ultraszybkich oraz walidacji modeli spektroskopowych wyliczonych przy użyciu metod AI i modeli ML, „inteligentne” źródła światła.
   • Aplikacje:
     • charakteryzacja materiałów dla sektorów półprzewodnikowego i optoelektroniki,
     • generacja danych referencyjnych dla systemów monitorowania atmosfery i wykrywania śladowych ilości substancji,
     • monitorowanie procesów technologicznych,
     • diagnostyka biomedyczna,
     • precyzyjna charakteryzacja systemów laserowych..
3. Pomiarów wykorzystujących obrazowanie przestrzenno-spektralne: obrazowanie hiperspektralne z modelami ML do detekcji, segmentacji i klasyfikacji widm oraz dedykowane modele wizji komputerowej.
   • Aplikacje:
     • monitorowanie środowiskowe i monitorowanie zjawisk,
     • kontrola jakości (np. żywności),
     • bezkontaktowa detekcja i identyfikacja substancji,
     • diagnostyka medyczna.
4. Użycia wyjaśnialnej AI i metod ML w naukach ścisłych: specjalistyczne algorytmy i modele, zarówno klasyczne jak i architektury głębokich sieci neuronowych np. sieci grafowych i modeli językowych oraz narzędzia do douczania modeli i uczenia ze wzmocnieniem. Elementem infrastruktury jest zaawansowane środowisko obliczeniowe z klastrami o wysokiej mocy i odpowiednim oprogramowaniem.