หลักสูตรวิศวกรรมวัสดุยุคใหม่สำหรับการผลิตอัจฉริยะ (ป.ตรี – ป.โท)

  1. หน้าหลัก
  2. »
  3. หลักสูตร
  4. »
  5. หลักสูตรวิศวกรรมวัสดุยุคใหม่สำหรับการผลิตอัจฉริยะ (ป.ตรี – ป.โท)
AI-Integrated Materials Engineering
หลักสูตรวิศวกรรมวัสดุยุคใหม่สำหรับการผลิตอัจฉริยะ เซมิคอนดักเตอร์ และนวัตกรรมที่ขับเคลื่อนด้วย AI
เปิดรับรุ่นแรก ปีการศึกษา 2569 ผ่านระบบ TCAS1 และ TCAS2

AI-Integrated Materials Engineering

คือหลักสูตรแนวหน้าที่พัฒนาร่วมกันโดย ภาควิชาวิศวกรรมวัสดุ และ ภาควิชาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเกษตรศาสตร์

หลักสูตรนี้ มุ่งสร้างวิศวกรรุ่นใหม่ที่เข้าใจว่าวัสดุคือรากฐานของนวัตกรรมทางวิศวกรรมทุกแขนง ตั้งแต่สมาร์ตโฟน รถยนต์ไฟฟ้า ไปจนถึงยานอวกาศและแบตเตอรี่ยุคใหม่ และสามารถใช้ AI เพื่อปลดล็อกศักยภาพสูงสุดของวัสดุเหล่านี้

นิสิตจะได้ฝึกปฏิบัติจริงกับข้อมูลการผลิต วิเคราะห์การเสื่อมสภาพด้วย Machine Learning และพัฒนาโครงงานที่ตั้งอยู่บนความท้าทายจริงจากอุตสาหกรรมพลังงาน อิเล็กทรอนิกส์ เซมิคอนดักเตอร์ และการผลิตอัจฉริยะ

ตลอดหลักสูตร นิสิตจะได้รับคำแนะนำจากอาจารย์ผู้เชี่ยวชาญทั้งสองสาขา และได้ร่วมทำงานกับเพื่อนจากแทร็กอื่นใน AIEP เช่น วิศวกรรมเครื่องกล อุตสาหการ และสิ่งแวดล้อม เพื่อสร้างประสบการณ์การเรียนรู้แบบข้ามศาสตร์อย่างแท้จริง

Course Overview

🔍 ภาพรวมหลักสูตร

หลักสูตรนี้เป็นส่วนหนึ่งของ AI-Integrated Engineering Program (AIEP)
และเปิดสอนในรูปแบบ หลักสูตรพิเศษ ภายใต้ภาควิชาวิศวกรรมวัสดุ

  • 🧑‍🏫 ระดับปริญญาตรี: วิศวกรรมศาสตรบัณฑิต (วิศวกรรมวัสดุ)
  • 🎓 ระดับปริญญาโท: วิศวกรรมศาสตรมหาบัณฑิต (วิศวกรรมบูรณาการปัญญาประดิษฐ์)
  • 📅 เปิดรับรุ่นแรก: ปีการศึกษา 2569
  • 👥 จำนวนรับ: 20 คน
  • ✅ 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

  • พื้นฐานวัสดุศาสตร์: โลหะ พอลิเมอร์ เซรามิก คอมโพสิต
  • การประยุกต์ใช้ในอิเล็กทรอนิกส์ เซมิคอนดักเตอร์ วัสดุชีวภาพ พลังงาน
  • การใช้ AI ในการออกแบบวัสดุ การจำลอง วิเคราะห์การเสื่อมสภาพ และเพิ่มประสิทธิภาพ
  • โครงงาน Capstone ที่ใช้ชุดข้อมูลจริงจากอุตสาหกรรม
  • การทำงานร่วมกันแบบข้ามสายวิชาเพื่อแก้ปัญหาทางวิศวกรรมที่ขับเคลื่อนด้วย AI

🧪 หัวข้อโครงงานและวิจัยตัวอย่าง

  • การคัดเลือกและออกแบบวัสดุด้วยการจำลองร่วมกับ Machine Learning
  • การบำรุงรักษาเชิงพยากรณ์ในโรงงานผลิต
  • การตรวจสอบความเสียหายด้วย image recognition และ ML
  • การวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพกระบวนการผลิต
  • การพยากรณ์สมบัติวัสดุด้วย Machine Learning

🤝 พันธมิตรด้านอุตสาหกรรมและวิจัย

  • NAIST (ญี่ปุ่น)
  • ศูนย์วิจัยและนวัตกรรม ปตท.
  • ปตท.สผ. (PTTEP)
  • PTTGC
  • WD (ร่วมมือกับแทร็กไฟฟ้า)
  • Delta (ร่วมมือกับเครื่องกลและอุตสาหการ)
  • กลุ่มวิจัยด้าน AI มหาวิทยาลัยเกษตรศาสตร์

🔄 เส้นทาง 4+1

  • ออกแบบให้เปลี่ยนผ่านสู่ปริญญาโท AI-Integrated Engineering ได้อย่างราบรื่น
  • โครงงาน Capstone ปี 4 เชื่อมต่อกับงานวิจัยระดับปริญญาโทในปีที่ 5
  • ต้องผ่านเกณฑ์ GPA และความพร้อมด้านวิชาการเพื่อเรียนต่อ

🧭 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)

  • Applied AI for Engineering (01204162)
  • Mathematical Foundations for AI Engineers (0120426x)
  • Programming Concepts for Data Processing and Analysis (0120426x)

(สามารถเสนอรายวิชาภายในของวิศวกรรมวัสดุเพื่อพิจารณาเทียบเท่าได้)

🎓 ผลลัพธ์บัณฑิตที่โดดเด่น

บัณฑิตจากแทร็กนี้จะสามารถ:

  • ใช้ AI เพื่อเพิ่มประสิทธิภาพและความน่าเชื่อถือของกระบวนการผลิต
  • ใช้ข้อมูลและ Machine Learning เพื่อเร่งการพัฒนาวัสดุ
  • ใช้โมเดลพยากรณ์เพื่อลดความล้มเหลวในระบบการผลิตจริง
  • ผสานพื้นฐานทางวิศวกรรมเข้ากับความเชี่ยวชาญด้าน AI เพื่อสร้างนวัตกรรมที่พร้อมสำหรับอนาคต