prikaz prve stranice dokumenta Strojno učenje potencijala za CsPbBr_xI_(3-x)
  Download
PDF 3.22 MB
master's thesis
Strojno učenje potencijala za CsPbBr_xI_(3-x)
Zagreb: University of Zagreb, Faculty of Science, 2023. urn:nbn:hr:217:172931
Šopar, Šimun
University of Zagreb
Faculty of Science
Department of Physics

Institutional repository: Repository of the Faculty of Science

Cite this document

Šopar, Š. (2023). Strojno učenje potencijala za CsPbBr_xI_(3-x) (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:172931

Šopar, Šimun. "Strojno učenje potencijala za CsPbBr_xI_(3-x)." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:172931

Šopar, Šimun. "Strojno učenje potencijala za CsPbBr_xI_(3-x)." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:172931

Šopar, Š. (2023). 'Strojno učenje potencijala za CsPbBr_xI_(3-x)', Master's thesis, University of Zagreb, Faculty of Science, accessed 27 November 2024, https://urn.nsk.hr/urn:nbn:hr:217:172931

Šopar Š. Strojno učenje potencijala za CsPbBr_xI_(3-x) [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2023 [cited 2024 November 27] Available at: https://urn.nsk.hr/urn:nbn:hr:217:172931

Š. Šopar, "Strojno učenje potencijala za CsPbBr_xI_(3-x)", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:217:172931

Metadata
TitleStrojno učenje potencijala za CsPbBr_xI_(3-x)
Title (english)Machine learning of potential for CsPbBr_xI_(3-x)
AuthorŠimun Šopar
MentorIvor Lončarić (mentor)
MentorNikola Poljak (komentor)
Committee memberNikola Poljak (predsjednik povjerenstva)
Committee memberIvor Lončarić (član povjerenstva)
Committee memberDanko Radić (član povjerenstva)
Committee memberDamir Pajić (član povjerenstva)
Committee memberDenis Sunko (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Physics)
Zagreb
Defense date and country2023-07-13, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Physics
Abstract
U ovom radu proučavana je uporaba modela dubokog učenja za konstrukciju međuatomskog potencijala CsPb(BrxI1−x)3 kako bi se izbjegla uporaba numerički zahtjevnih kvantnomehaničkih izračuna. U tu svrhu korišten je model Allegro specijaliziran za rad s kristalima. Allegro je neuronska mreža zasnovana na mehanizmu slanja poruka koja čuva simetrije kristala. U sklopu rada detaljno je opisan rad Allegro modela. Ispitano je prijenosno učenje kao način učenja modela korištenjem manjeg broja kvantnomehanički izračunatih podataka za učenje. U tu svrhu generirani su novi podatci uporabom klasičnog Coulomb-Buckinghamovog potencijala i aktivacijsko-relaksacijske tehnike koji će se koristiti za treniranje početne mreže za prijenosno učenje. Zatim je uspoređen rad mreže naučene normalnim putem i učene s pomoću prijenosa za različite veličine uzoraka za treniranje.
Keywords
Languagecroatian
URN:NBNurn:nbn:hr:217:172931
ProjectNumber: UIP-2020-02-5675
Title: Povećanje prostorne i vremenske skale modeliranja materijala iz prvih principa pomoću strojnog učenja
Title: Extending length and time scales of first principles material modelling via machine learning
Acronym: ExtMatModelML
Leader: Ivor Lončarić
Jurisdiction: Croatia
Funder: HRZZ
Funding stream: UIP
Study programmeTitle: The University Integrated Undergraduate and Graduate Programme in Physics; Research Physics; specializations in: Research Physics
Course: Research Physics
Study programme type: university
Study level: integrated undergraduate and graduate
Academic / professional title: sveučilišni magistar fizike (sveučilišni magistar fizike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Embargo expiration date: 2024-07-13
Terms of useLicence In copyright icon
Created on2024-02-15 14:39:22