Teknillisen fysiikan maisteriohjelman koulutusneuvoston kokous 1/22
28.1.2022
Kaikkien aikojen ensimmäinen Teknillisen fysiikan maisteriohjelman koulutusneuvoston kokous alkoi varsinaisten jäsenten esittäytymisillä. Neuvostoa puheenjohtaa Teknillisen Fysiikan professori Mika Sillanpää. Uutta neuvostoa edeltänyt TFM koulutusneuvosto on nyt siis jaettu erillisiksi Teknillisen fysiikan maisteriohjelman koulutusneuvostoksi ja Matematiikan ja operaatiotutkimuksen maisteriohjelman koulutusneuvostoksi. Toivottavasti tämä tehostaa jatkossa ohjelmien kehittämistyötä. Suurin osa ensimmäisen kokouksen ajasta meni diplomitöiden arvostelujen hyväksymiseen ja siitä seuranneeseen keskusteluun. Lisäksi käytiin läpi tulevan opetussuunnitelman uudet kurssit.
Diplomitöiden arvostelujen hyväksyminen
Suoritettuja dippatöitä hyväksyttäessä heräsi keskustelua töiden suoritusajasta. Tällä hetkellä tavoitellun suoritusajan ylittämisen ilmoitetaan vaikuttavan arviointiin negatiivisesti, mutta vaikutuksen määrään ei ole annettu selviä sääntöjä. Täten arvostelu on tulkinnanvaraista ja riippuvaista siis työn arvioijista ja hyväksyjistä. Yhtenä ajatuksena nousi sääntöjen selventäminen esimerkiksi määrittämällä, että suunnitellun ajan ylittäminen kuudella kuukaudella estäisi parhaan arvosanan saannin. Mielipiteitä nousi sekä ajatuksen puolesta että vastaan. Asiasta jatketaan keskustelua professorien omassa tapaamisessa ja mahdollisuutta vaikuttaa diplomitöiden arviointikriteereihin ohjelman sisällä selvitetään korkeakoululta.
Opiskelijoiden kannalta selvissä aikarajoissa olisi etuna sääntöjen selkeys. Poikkeuksia ja myöhästymisiä opiskelijasta riippumattomista syistä tulee kuitenkin aina olemaan, jolloin tiukat aikarajoitukset voivat olla myös epäreiluja ja tätä varten tiukoistakin säännöistä pitäisi olla mahdollisuus tarpeen vaatiessa joustaa. Myös hyväksyttävät syyt työn myöhästymiselle voivat olla epäselviä niin opiskelijoille kuin arvioijille eli tulkinnanvaraisuudesta ei kaikesta huolimatta voida päästä kokonaan eroon. Nykyistä ohjeistusta voitaisiin kuitenkin pyrkiä tarkentamaan.
Diplomityön arviointikriteereistä voi lukea täältä:
Uusia kursseja
Tapaamisessa käytiin lyhyesti läpi opetussuunnitelmaan OPS 2022-2024 tulevia uusia kursseja. Uusi PHYS-E0548 vaikuttaisi olevan sama kurssi kuin edellisessäkin opsissa pyörinyt PHYS-E0547 - Machine Learning for Materials Science D.
PHYS-E0548 - Machine Learning for Materials Science D
Learning outcomes (EN): After completion of the course, you will be able to: Identify research questions in material science (MS) that can be solved by machine learning (ML). Understand different types of MS datasets for ML Perform basic data analysis of datasets. Have knowledge of different ML methods Select a suitable MS data representation as input for ML Consider which ML methods might be best for tackling different MS problems. Assess and improve the performance of the ML model. Carry out a project on ML for MS Critically comment on ML applications in MS (on quality of data analysis, suitability of chosen ML method, quality of assessment of ML performance, etc).
PHYS-E6574 - Radiation damage in materials D
Learning outcomes (EN): The goal is to understand the basic physics governing the accumulation of radiation damage in materials, when and where radiation effects need to be considered, and how the radiation damage affects the physical and mechanical properties of materials. After the course, the student will be able to list the different types of defects induced by radiation in different materials estimate quantitatively whether a given radiation source will cause displacement damage in a material calculate the radiation dose in an irradiated sample in terms of displacements per atom, and the nominal vacancy concentration after a given radiation dose determine whether simple point defects are mobile in a given material under given conditions explain the differences between radiation damage formation and evolution in terms of time scales, and the challenges this poses for experimental validation of radiation damage models describe the effects of radiation damage on the physical and mechanical properties of materials critically discuss the benefits and limitations of models of radiation effects, and the challenges to sustainable Liite / Appendix 1/2 nuclear energy in terms of model predictive capability and the need for the development of new materials with superior thermo-mechanical properties and radiation resistance
PHYS-E6575 - Experimental Methods in Physics D
Learning outcomes (EN): After the course student can Explain how various physical quantities are transduced into electrical variables. Design basic active electronic circuits for measurements. Explain the basic working principles of the most common temperature, pressure, and displacement sensors as well as the most common vacuum pumps and cryogenic equipment. Design a simple filtering circuit with both passive and active components and explain the basic working principle of phase-sensitive detection. Explain how to protect the measurements from resistive, capacitive, and inductive coupling of noise. Apply the concepts of amplifier noise and measurement sensitivity in order to figure out if a given quantity is measurable. Design an optical setup for light manipulation and detection Explain the principle of common optical techniques
Lopuksi
Kokouksessa mainittiin vielä AllWell?-kyselystä vuodelle 2022, joka lähetettään 2. ja 4. vuoden opiskelijoille helmikuun loppupuolella ja viimeisenä asiana SCI:n uusi opintosihteeri Hanna Alve esittäytyi. Hän toimii jatkossa opintosihteerinä niin teknillisen fysiikan kuin matikan ja operaatiotutkimuksen maisteriohjelmissa.
Neuvoston seuraava kokous tulee olemaan 22.3. Fiirumilla julkaistavat referaatit ovat jatkossa englanninkielisiä tämän neuvoston osalta, jotta kieli vastaa niin neuvostossa keskusteluun käytettyä kieltä kuin maisteriohjelman virallista kieltä.
Hyvää alkanutta vuotta vielä kaikille!