วิศวกรรมวัสดุบูรณาการปัญญาประดิษฐ์
วิศวกรรมวัสดุบูรณาการปัญญาประดิษฐ์ (AI-Integrated Materials Engineering) คือหลักสูตรแนวหน้าที่พัฒนาร่วมกันโดยภาควิชาวิศวกรรมวัสดุและภาควิชาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเกษตรศาสตร์ หลักสูตรนี้มุ่งสร้างวิศวกรรุ่นใหม่ที่เข้าใจว่าวัสดุคือรากฐานของนวัตกรรมทางวิศวกรรมทุกแขนง ตั้งแต่สมาร์ตโฟน รถยนต์ไฟฟ้า ไปจนถึงยานอวกาศและแบตเตอรี่ยุคใหม่ และสามารถใช้ AI เพื่อปลดล็อกศักยภาพสูงสุดของวัสดุเหล่านี้
นิสิตจะได้ฝึกปฏิบัติจริงกับข้อมูลการผลิต วิเคราะห์การเสื่อมสภาพด้วย Machine Learning และพัฒนาโครงงานที่ตั้งอยู่บนความท้าทายจริงจากอุตสาหกรรมพลังงาน อิเล็กทรอนิกส์ เซมิคอนดักเตอร์ และการผลิตอัจฉริยะ
ตลอดหลักสูตร นิสิตจะได้รับคำแนะนำจากอาจารย์ผู้เชี่ยวชาญทั้งสองสาขา และได้ร่วมทำงานกับเพื่อนจากแทร็กอื่นใน AIEP เช่น วิศวกรรมเครื่องกล อุตสาหการ และสิ่งแวดล้อม เพื่อสร้างประสบการณ์การเรียนรู้แบบข้ามศาสตร์อย่างแท้จริง
ภาพรวมหลักสูตร
หลักสูตรนี้เป็นส่วนหนึ่งของ AI-Integrated Engineering Program (AIEP) และเปิดสอนในรูปแบบ หลักสูตรภาคพิเศษ ภายใต้ภาควิชาวิศวกรรมวัสดุ
- ระดับปริญญาตรี: วิศวกรรมศาสตรบัณฑิต สาขาวิศวกรรมวัสดุ
- ระดับปริญญาโท: วิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมบูรณาการปัญญาประดิษฐ์
- เปิดรับรุ่นแรก: ปีการศึกษา 2569
- จำนวนรับ: 20 คน (ภาคพิเศษ)
- ช่องทางรับเข้า: TCAS1 (แฟ้มสะสมผลงาน), TCAS2 (โควตา)
- ไม่เปิดในระบบปกติหรือ IUP
จุดเด่นของหลักสูตร
- ผสาน วัสดุศาสตร์ วิทยาการคอมพิวเตอร์ และ AI เพื่อขับเคลื่อนนวัตกรรมในยุค digital transformation
- พื้นฐานแน่นด้านวิศวกรรมและวิทยาศาสตร์ พร้อมโอกาสวิจัยตั้งแต่ระดับปริญญาตรี
- โครงงาน Capstone และวิจัยระดับโทจากปัญหาในภาคอุตสาหกรรมจริง
- สอนร่วมโดยคณาจารย์จาก วิศวกรรมวัสดุ และ วิศวกรรมคอมพิวเตอร์
- ความร่วมมือวิจัยระดับประเทศและนานาชาติ เช่น NAIST ประเทศญี่ปุ่น
- ชุมชนการเรียนรู้ร่วมกับนิสิตจากแทร็ก AI x Engineering อื่น ๆ
สิ่งที่จะได้เรียนรู้
ในหลักสูตรวิศวกรรมวัสดุบูรณาการปัญญาประดิษฐ์ ผู้เรียนจะได้ศึกษาองค์ความรู้พื้นฐานทางวัสดุศาสตร์ ครอบคลุมโลหะ พอลิเมอร์ เซรามิก และคอมโพสิต พร้อมทั้งเรียนรู้การประยุกต์ใช้วัสดุในสาขาต่าง ๆ เช่น อิเล็กทรอนิกส์ เซมิคอนดักเตอร์ วัสดุชีวภาพ และพลังงาน ควบคู่ไปกับการใช้ AI เพื่อออกแบบวัสดุใหม่ การจำลองและการวิเคราะห์การเสื่อมสภาพ ตลอดจนการเพิ่มประสิทธิภาพของวัสดุ นอกจากนี้ยังมีการทำโครงงาน Capstone ที่ใช้ชุดข้อมูลจริงจากภาคอุตสาหกรรม เพื่อฝึกฝนการแก้ปัญหาเชิงประยุกต์ และส่งเสริมการทำงานร่วมกันแบบข้ามสายวิชาในการพัฒนานวัตกรรมและแก้ปัญหาทางวิศวกรรมที่ขับเคลื่อนด้วย AI
หัวข้อโครงงานและวิจัยตัวอย่าง
- การคัดเลือกและออกแบบวัสดุด้วยการจำลองร่วมกับ Machine Learning
- การบำรุงรักษาเชิงพยากรณ์ในโรงงานผลิต
- การตรวจสอบความเสียหายด้วย image recognition และ ML
- การวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพกระบวนการผลิต
- การพยากรณ์สมบัติวัสดุด้วย Machine Learning
พันธมิตรด้านอุตสาหกรรมและวิจัย
- NAIST (ประเทศญี่ปุ่น)
- ศูนย์วิจัยและนวัตกรรม ปตท.
- ปตท.สผ. (PTTEP)
- PTTGC
- WD (ร่วมมือกับแทร็กไฟฟ้า)
- Delta (ร่วมมือกับเครื่องกลและอุตสาหการ)
- กลุ่มวิจัยด้าน AI มหาวิทยาลัยเกษตรศาสตร์
เส้นทาง 4+1
- นิสิตจะต้องผ่านเกณฑ์ด้านวิชาการ โดยในช่วง 3 ปีแรกของการเรียนระดับปริญญาตรีจะต้องลงทะเบียนรายวิชาพื้นฐานด้านปัญญาประดิษฐ์
- นิสิตจะเริ่มเรียนรายวิชาระดับบัณฑิตศึกษาในการเรียนปีที่ 4 (ดูรายละเอียดหลักสูตรวิศวกรรมบูรณาการปัญญาประดิษฐ์)
- โครงงานวิศวกรรมระดับชั้นปีที่ 4 จะเชื่อมโยงกับหัวข้อวิทยานิพนธ์ในระดับปริญญาโท
- จะได้รับปริญญาวิศวกรรมศาสตรบัณฑิต และวิศวกรรมศาสตรมหาบัณฑิตภายในเวลา 5 ปี และพร้อมที่จะเป็นวิศวกรยุคใหม่
แผนการเรียนโดยละเอียดแสดงด้านล่าง สามารถอ่านเกี่ยวกับรายวิชาพื้นฐานด้าน AI ระดับปริญญาตรี และหลักสูตรระดับปริญญาโทได้
แผนการเรียน
| ชั้นปีที่ 1 ภาคต้น | |||
|---|---|---|---|
| 01999111 | ศาสตร์แห่งแผ่นดิน | 2 (2-0-4) | |
| 01208111 | การเขียนแบบวิศวกรรม | 3 (2-3-6) | |
| 01417167 | คณิตศาสตร์วิศวกรรม I | 3 (3-0-6) | |
| 01420111 | ฟิสิกส์ทั่วไป I | 3 (3-0-6) | |
| 01420113 | ปฏิบัติการฟิสิกส์ I | 1 (0-3-2) | |
| 01999xxx | ภาษาไทย | 3 (3-0-6) | |
| 01355xxx | ภาษาต่างประเทศ | 3 (- -) | |
| วิชาสารสนเทศ/คอมพิวเตอร์ | 3 (- -) | ||
| รวม | 21 (- -) | ||
| ชั้นปีที่ 1 ภาคปลาย | |||
| 01200101 | การคิดเชิงนวัตกรรม | 3 (3-0-6) | |
| 01204111 | คอมพิวเตอร์และการโปรแกรม | 3 (2-3-6) | |
| 01213211 | วัสดุศาสตร์สำหรับวิศวกร | 3 (3-0-6) | |
| 01403114 | ปฏิบัติการหลักมูลเคมีทั่วไป | 1 (0-3-2) | |
| 01403117 | หลักมูลเคมีทั่วไป | 3 (3-0-6) | |
| 01417168 | คณิตศาสตร์วิศวกรรม II | 3 (3-0-6) | |
| 01420112 | ฟิสิกส์ทั่วไป II | 3 (3-0-6) | |
| 01420114 | ปฏิบัติการฟิสิกส์ II | 1 (0-3-2) | |
| รวม | 20 (- -) | ||
| ชั้นปีที่ 2 ภาคต้น | |||
| 01206221 | ความน่าจะเป็นและสถิติการประยุกต์สำหรับวิศวกร | 3 (3-0-6) | |
| 01208221 | กลศาสตร์วิศวกรรม I | 3 (3-0-6) | |
| 01213212 | หลักมูลของวัสดุอนินทรีย์ | 4 (4-0-8) | |
| 01213213 | หลักเคมีสำหรับวัสดุอินทรีย์ | 4 (4-0-8) | |
| 01213214 | ปฏิบัติการหลักเคมีสำหรับวัสดุอินทรีย์ | 1 (0-3-2) | |
| 01175xxx | กิจกรรมพลศึกษา | 1 (0-2-1) | |
| 01355xxx | ภาษาต่างประเทศ | 3 (- -) | |
| 01204262 | หลักการโปรแกรมเพื่อการประมวลผลข้อมูลสำหรับเอไอประยุกต์ | 3 (3-0-6) | รายวิชาพื้นฐานด้าน AI |
| รวม | 22 (- -) | ||
| ชั้นปีที่ 2 ภาคปลาย | |||
| 01205201 | วิศวกรรมไฟฟ้าเบื้องต้น | 3 (3-0-6) | |
| 01208281 | การฝึกงานโรงงาน | 1 (0-3-2) | |
| 01213216 | พฤติกรรมทางกลของวัสดุ | 4 (4-0-8) | |
| 01213217 | อุณหพลศาสตร์ของวัสดุ | 3 (3-0-6) | |
| 01213218 | กระบวนการผลิตสำหรับวิศวกรวัสดุ | 3 (3-0-6) | |
| 01213219 | ปฏิบัติการกระบวนการแปรรูปวัสดุ | 1 (0-3-2) | |
| 01417267 | คณิตศาสตร์วิศวกรรม III | 3 (3-0-6) | |
| 01204162 | เอไอประยุกต์สำหรับงานวิศวกรรม | 3 (3-0-6) | รายวิชาพื้นฐานด้าน AI |
| รวม | 21 (- -) | ||
| ชั้นปีที่ 3 ภาคต้น | |||
| 01205202 | ปฏิบัติการวิศวกรรมไฟฟ้า I | 1 (0-3-2) | |
| 01208381 | ปฏิบัติการวิศวกรรมเครื่องกล I | 1 (0-3-2) | |
| 01213311 | หลักของเทคนิคการศึกษาลักษณะเฉพาะ | 3 (3-0-6) | |
| 01213312 | ปฏิบัติการการศึกษาลักษณะเฉพาะและการวิเคราะห์สมบัติของวัสดุ | 1 (0-3-2) | |
| 01213313 | จลนพลศาสตร์และปรากฏการณ์การถ่ายโอนของวัสดุ | 4 (4-0-8) | |
| 01213314 | การวิเคราะห์ความวิบัติและการป้องกัน | 3 (3-0-6) | |
| 01213395 | การเตรียมการข้อเสนอโครงการวิจัย | 1 (0-3-2) | |
| รวม | 14 (- -) | ||
| ชั้นปีที่ 3 ภาคปลาย | |||
| 01213316 | อุตสาหกรรมวัสดุในประเทศไทย | 1 (0-3-2) | |
| 01213497 | สัมมนา | 1 (- -) | |
| 01355xxx | ภาษาต่างประเทศ | 3 (- -) | |
| 01204261 | คณิตศาสตร์พื้นฐานสำหรับเอไอประยุกต์ | 3 (3-0-6) | รายวิชาพื้นฐานด้าน AI |
| วิชาศึกษาทั่วไป กลุ่มสาระอยู่ดีมีสุข | 3 (- -) | ||
| วิชาเลือกเสรี | 3 (- -) | ||
| วิชาศึกษาทั่วไป กลุ่มสุนทรียศาสตร์ | 3 (- -) | ||
| รวม | 20 (- -) | ||
| ชั้นปีที่ 4 ภาคต้น | |||
| 01213399 | การฝึกงาน | 1 | |
| วิชาเฉพาะเลือก | 6 (- -) | ||
| วิชาเลือกเสรี | 3 (- -) | ||
| รวม | 10 (- -) | ||
| รายวิชาระดับบัณฑิตศึกษา (เรียนตอนปี 4 ภาคต้น) | |||
| 01204xxx | Research methodology | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Data Acquisition | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Data Preprocessing | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Database and Data Warehouse | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| Electives | 2 - 3 | รายวิชาเลือกระดับบัณฑิตศึกษา | |
| ชั้นปีที่ 4 ภาคปลาย | |||
| 01213411 | การคัดเลือกวัสดุและการออกแบบทางวิศวกรรม | 3 (3-0-6) | |
| 01213412 | การจัดการการผลิตในอุตสาหกรรมวัสดุ | 3 (3-0-6) | |
| 01213499 | โครงงานวิศวกรรมวัสดุ | 3 (0-9-5) | |
| รวม | 9 (- -) | ||
| รายวิชาระดับบัณฑิตศึกษา (เรียนตอนปี 4 ภาคปลาย) | |||
| 01204xxx | Seminar | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Advanced Machine Learning I | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Advanced Machine Learning II | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | AI for data interpretation | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| Electives | 2 - 3 | รายวิชาเลือกระดับบัณฑิตศึกษา | |
| บัณฑิตศึกษาปีที่ 1 ภาคต้น | |||
| 01204xxx | Seminar | 1 | รายวิชาบังคับระดับบัณฑิตศึกษา |
| 01204xxx | Thesis | 6 | วิทยานิพนธ์ |
| Electives | 6 - 7 | รายวิชาเลือกระดับบัณฑิตศึกษา | |
| บัณฑิตศึกษาปีที่ 1 ภาคปลาย | |||
| 01204xxx | Thesis | 6 | วิทยานิพนธ์ |
| Electives | 3 - 4 | รายวิชาเลือกระดับบัณฑิตศึกษา | |
เส้นทางอาชีพ
- วิศวกรวัสดุเชิงข้อมูลในอุตสาหกรรมเซมิคอนดักเตอร์ อิเล็กทรอนิกส์ และวัสดุล้ำสมัย
- วิศวกรความน่าเชื่อถือที่ใช้ AI ในอุตสาหกรรมปิโตรเคมีและพลังงาน
- วิศวกรโรงงานอัจฉริยะในยุค Manufacturing 5.0
- นักวิจัยด้านวัสดุคอมพิวเตอร์
- นักพัฒนาเทคโนโลยีที่บูรณาการวัสดุศาสตร์กับ AI
จุดแข็งของหลักสูตร
- หลักสูตรสองปริญญาแบบ 4+1: วศ.บ. + วศ.ม. ที่พร้อมสำหรับภาคอุตสาหกรรม
- การบูรณาการข้ามศาสตร์อย่างลึกระหว่างภาควิชา
- ความร่วมมือแน่นแฟ้นกับภาคอุตสาหกรรมระดับแนวหน้า
- เข้าถึงเครื่องมือ AI และแนวปฏิบัติวิจัยล้ำสมัยตั้งแต่ระดับปริญญาตรี
กิจกรรมเสริม
- โครงงาน Capstone ที่ออกแบบร่วมกับภาคอุตสาหกรรม
- โอกาสวิจัยระดับปริญญาตรี (UROP) ตั้งแต่ชั้นต้น
- โครงการฝึกงานในไทยหรือต่างประเทศ
- ค่ายเทคโนโลยี เวิร์กช็อป และโครงการแลกเปลี่ยนระดับนานาชาติ
- ได้รับคำแนะนำจากอาจารย์และที่ปรึกษาในภาคอุตสาหกรรม
รายวิชาพื้นฐานด้าน AI (เลือกเรียนในระดับปริญญาตรี)
นิสิตจะต้องลงเรียนรายวิชาต่อไปนี้ ระหว่างการเรียน 3 ปีแรก
- 01204162 เอไอประยุกต์สำหรับงานวิศวกรรม (Applied AI for Engineering)
- คณิตศาสตร์พื้นฐานสำหรับวิศวกรปัญญาประดิษฐ์ (Mathematical Foundations for AI Engineers) รายวิชาอยู่ระหว่างการพัฒนา
- หลักการโปรแกรมเพื่อการประมวลผลและวิเคราะห์ข้อมูล (Programming Concepts for Data Processing and Analysis) รายวิชาอยู่ระหว่างการพัฒนา
นอกจากนี้อาจมีการเทียบรายวิชาจากสาขาวิศวกรรมวัสดุเพื่อเทียบเท่ากับรายวิชาเหล่านี้ได้
ผลลัพธ์บัณฑิตที่โดดเด่น
บัณฑิตจากแทร็กนี้จะสามารถ:
- ใช้ AI เพื่อเพิ่มประสิทธิภาพและความน่าเชื่อถือของกระบวนการผลิต
- ใช้ข้อมูลและ Machine Learning เพื่อเร่งการพัฒนาวัสดุ
- ใช้โมเดลพยากรณ์เพื่อลดความล้มเหลวในระบบการผลิตจริง
- ผสานพื้นฐานทางวิศวกรรมเข้ากับความเชี่ยวชาญด้าน AI เพื่อสร้างนวัตกรรมที่พร้อมสำหรับอนาคต