Modeliranje ploha potencijalne energije benzena i njegovih heterocikličkih analoga primjenom dubokog učenja

diplomski rad

• Naslov (engleski): Modeling potential energy surfaces for benzene and its heterocyclic analogues using deep learning
• Autor: Zrinka Pišonić
• Mentor: Tomica Hrenar (mentor)
• Član povjerenstva: Tomica Hrenar (predsjednik povjerenstva)
• Član povjerenstva: Aleksandra Maršavelski (član povjerenstva)
• Član povjerenstva: Ivan Kodrin (član povjerenstva)
• Član povjerenstva: Branimir Bertoša (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Kemijski odsjek); Zagreb
• Datum i država obrane: 2024-07-19, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Kemija

Sažetak

Analiza ploha potencijalne energije (PES) predstavlja učinkovitu metodu istraživanja strukture i reaktivnosti organskih molekula. Točne reprezentacije tih ploha zahtijevaju brojne kvantno- kemijske proračune energije za različite konfiguracije ispitivanog sustava te analitički opis ploha, a cijeli postupak može se značajno ubrzati korištenjem strojnog i dubokog učenja. Najefikasniji opis PES-ova dobije se razapinjanjem ploha prema odgovarajućim normalnim koordinatama koristeći razvoj u ovisnosti o dimenziji prostora. U okviru ovog diplomskog rada provedeno je teorijsko istraživanje ploha potencijalne energije benzena i njegovih heterocikličkih analoga: piridina, piridazina, pirimidina i pirazina korištenjem kvantno-kemijskih proračuna te algoritama strojnog i dubokog učenja. Optimizacije geometrija i izračuni vibracijskih frekvencija su za sve istraživane sustave provedeni na razini teorije B3LYP-D3/aug-cc-pVTZ. Za ispitivanje 1- i 2- dimenzijskih presjeka PES-a razapetih po pripadajućim normalnim koordinatama generirane su sve relevantne strukture ispitivanih molekula korištenjem programa qcc te su provedeni kvantno- kemijski proračuni energija. Korištenjem algoritama strojnog i dubokog učenja implementiranih u program moonee određeni su najbolji mogući regresijski modeli koji opisuju odabrane presjeke PES-ova. Dobiveni analitički izrazi za opis potencijala iskoristit će se za buduće simulacije molekularne dinamike i vibracijsku analizu.

Sažetak (engleski)

The analysis of potential energy surfaces (PES) is an effective method for investigating the structure and reactivity of organic molecules. Accurate representations of these surfaces require numerous quantum- chemical energy calculations for different configurations of the studied system and an analytical description of the surfaces. The entire process can be significantly accelerated by using machine learning and deep learning methods. The most efficient description of PES is obtained by spanning the surfaces according to the appropriate normal coordinates and using adequate expansion depending on the dimensionality of the space. In this thesis, theoretical research was conducted on the potential energy surfaces of benzene and its heterocyclic analogs: pyridine, pyridazine, pyrimidine, and pyrazine, using quantum-chemical calculations and machine learning and deep learning algorithms. Geometry optimizations and vibrational frequency calculations for all studied systems were performed at the B3LYP-D3/aug-cc-pVTZ level of theory. To investigate 1- and 2-dimensional sections of the PES spanned by the corresponding normal coordinates, all relevant structures of the studied molecules were generated using the qcc program, and quantum-chemical energy calculations were carried out. Using machine learning and deep learning algorithms implemented in the moonee program, the best possible regression models describing the selected sections of PESes were determined. The obtained analytical expressions for the description of potentials will be used for future molecular dynamics simulations and vibrational analysis.

• Ključne riječi: benzen; DFT; duboko učenje; umjetne neuronske mreže; vibracijska analiza
• Ključne riječi (engleski): artificial neural networks; benzene; deep learning; DFT; vibrational analysis
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:145744
• Projekt: Šifra: IP-2022-10-9525; Naziv: Metom usmjerena sinteza inhibitora kolinesteraza podržana strojnim učenjem; Naziv: Target-guided synthesis of cholinesterase inhibitors supported by machine learning; Kratica: TargetCh; Voditelj: Ines Primožič; Pravna nadležnost: Hrvatska; Financijer: Hrvatska zaklada za znanost; Linija financiranja: Research Projects
• Studijski program: Naziv: Kemija; smjerovi: Istraživački; Smjer: Istraživački; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: sveučilišni/a magistar/magistra kemije (univ. mag. chem.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Rad dostupan nakon; Datum isteka embarga: 2025-07-19
• Datum i vrijeme pohrane: 2024-10-02 14:01:38