Primjene metoda dubokog učenja u kompleksnim sustavima

diplomski rad

• Naslov (engleski): Applications of deep learning methods in complex systems
• Autor: Filip Mirković
• Mentor: Davor Horvatić (mentor)
• Član povjerenstva: Davor Horvatić (predsjednik povjerenstva)
• Član povjerenstva: Matko Glunčić (član povjerenstva)
• Član povjerenstva: Andrej Novak (član povjerenstva)
• Član povjerenstva: Nikola Poljak (član povjerenstva)
• Član povjerenstva: Matko Milin (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2024-02-22, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

U ovom radu bavimo se modeliranjem kompleksnih sustava korištenjem neuronskih mreža nad grafovima. Posebnu pažnju posvećujemo ugradnji simetrija fizikalnog sustava u model, koje su presudne za kvalitetno funkcioniranje modela. Koristimo O(3)- ekvivarijatnu inačicu transformera nad grafovima za predviđanje međuatomskih sila unutar malih organskih molekula: benzena, uracila, etanola i aspirina. Provjeravamo generalizacijska svojstva modela pri predviđanju sila na atome unutar molekule paracetamola. Na kraju rada, istražujemo robusnost modela u režimima malog broja podataka. Taj režim je ostvaren treniranjem modela na deset puta manjem skupu podataka od inicijalnog skupa podataka za trening.

Sažetak (engleski)

In this work, we examine the use of graph neural networks in modelling complex systems. We also emphasise the use of built-in symmetries in our model. We demonstrate these ideas on the problem of molecular dynamics. A version of an O(3)- equivariant graph attention network is used to predict interatomic forces in small organic molecules: benzene, ethanol, uracil, and aspirin. Furthermore, we test the model’s generalization capabilities on various configurations of paracetamol. Lastly, we demonstrate the power of equivariance in low-data regimes. This regime is achieved by training the model with a ten times smaller dataset than the initial training set.

• Ključne riječi: Kompleksni sustavi; Molekularna dinamika; Neuronske mreže nad grafovima; Ekvivarijantnost
• Ključne riječi (engleski): Complex systems; Molecular dynamics; Graph neural networks; Equivariance
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:027408
• 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: Rad dostupan nakon; Datum isteka embarga: 2025-02-22
• Datum i vrijeme pohrane: 2024-04-05 12:39:19