Prijenosno učenje interatomskih potencijala: od molekula do kristala

diplomski rad

• Naslov (engleski): Transfer learning of interatomic potentials: from molecules to crystals
• Autor: Antonio Parunov
• Mentor: Ivor Lončarić (mentor)
• Mentor: Danko Radić (komentor)
• Član povjerenstva: Danko Radić (predsjednik povjerenstva)
• Član povjerenstva: Ivor Lončarić (član povjerenstva)
• Član povjerenstva: Mihael Srđan Grbić (član povjerenstva)
• Član povjerenstva: Goranka Bilalbegović (član povjerenstva)
• Član povjerenstva: Denis Sunko (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2022-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Strojno učenje ima mogućnost promijeniti paradigmu izračuna svojstava kompleksnih molekula i kristala. Dosadašnje precizne metode bazirane na teoriji funkcionala gustoće su računalno preskupe za složene zadatke kao što je predviđanje kristalnih struktura. U ovom radu je dan pregled primjene suvremenih metoda strojnog kao i dubokog učenja na problem određivanja interatomskih potencijala i sila. Osim toga, testiran je prijašnji strojno naučeni potencijal na strukturama sedmog slijepog testa predviđanja kristalnih struktura te su mu prijenosnim učenjem značajno popravljene performanse.

Sažetak (engleski)

Machine learning has the ability to change the paradigm of calculating the properties of complex molecules and crystals. Previous precise methods based on density functional theory are computationally too expensive for complex tasks such as the prediction of crystal structures. This paper provides an overview of the application of modern methods of machine as well as deep learning to the problem of determining interatomic potentials and forces. In addition, the previous machine learning potential was tested on the structures of the seventh blind prediction test of crystal structures, and its performance was significantly improved by transfer learning.

• Ključne riječi: strojno učenje interatomskih potencijala; prijenosno učenje; deskriptori; duboko učenje; uzorkovanje kemijskog prostora; ANI2x
• Ključne riječi (engleski): machine learning of interatomic potentials; transfer learning; descriptors; deep learning; chemical space sampling; ANI2x
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:686126
• Studijski program: Naziv: Fizika; smjerovi: istraživački; Smjer: istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani preddiplomski i diplomski; Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup; Datum isteka embarga: 2024-07-15
• Datum i vrijeme pohrane: 2022-09-07 09:24:33