Aktivno učenje interatomskih potencijala za predikciju kristalne strukture

diplomski rad

• Naslov (engleski): Active learning of interatomic potentials for crystal structure prediction
• Autor: Janko Jurdana
• Mentor: Ivor Lončarić (mentor)
• Mentor: Danko Radić (komentor)
• Član povjerenstva: Danko Radić (predsjednik povjerenstva)
• Član povjerenstva: Ivor Lončarić (član povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Član povjerenstva: Andrej Novak (član povjerenstva)
• Član povjerenstva: Matko Glunčić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2023-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Predikcija kristalne strukture predstavlja vrlo zahtjevan zadatak u modernoj fizici čvrstog stanja. Većina dosadašnjih metoda zasnovana je na teoriji funkcionala gustoće. Međutim, takve metode postaju računalno prezahtjevne kada su promatrani sustavi kristali organskih molekula. Razvojem metoda strojnog učenja, moguće je ubrzati izračune svojstava takvih sustava što otvara vrata proučavanju široke klase materijala. U ovom radu su takve tehnike iskorištene za predikciju energija osnovnog stanja i sila na atome treniranjem strojno naučenih potencijala. Svojstva izračunata tim tehnikama su potom uspoređena sa svojstvima dobivenim korištenjem metoda teorije funkcionala gustoće.

Sažetak (engleski)

Crystal structure prediction poses a very demanding task in modern day solid state physics. Most of the existing methods are based on density functional theory. However, these methods become computationally too demanding when the studied systems are crystals of organic molecules. With the development of machine learning techniques, the calculations of the properties of such systems were drastically accelerated and thus opened the door to the study of a wide class of materials. In this paper, such methods were used for predicting ground state energies and forces on the atoms by training machine learned force fields. The properties calculated by these techniques were then compared with the properties obtained using density functional theory.

• Ključne riječi: teorija funkcionala gustoće; strojno učenje; predikcija kristalne strukture; deskriptori
• Ključne riječi (engleski): density functional theory; machine learning; crystal structure prediction; descriptors
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:041725
• Projekt: Šifra: UIP-2020-02-5675; Naziv: Povećanje prostorne i vremenske skale modeliranja materijala iz prvih principa pomoću strojnog učenja; Naziv: Extending length and time scales of first principles material modelling via machine learning; Kratica: ExtMatModelML; Voditelj: Ivor Lončarić; Pravna nadležnost: Hrvatska; Financijer: HRZZ; Linija financiranja: UIP
• Studijski program: Naziv: Fizika; smjerovi: Istraživački; Smjer: Istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani prijediplomski i diplomski; Akademski / stručni naziv: sveučilišni magistar fizike (univ. mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-02-15 14:32:22