prikaz prve stranice dokumenta Strojno učenje svojstava materijala na podacima različite točnosti
  Download
PDF 2.54 MB
master's thesis
Strojno učenje svojstava materijala na podacima različite točnosti
Zagreb: University of Zagreb, Faculty of Science, 2024. urn:nbn:hr:217:460693
Krčelić, Fran
University of Zagreb
Faculty of Science
Department of Physics

Institutional repository: Repository of the Faculty of Science

Cite this document

Krčelić, F. (2024). Strojno učenje svojstava materijala na podacima različite točnosti (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, Fran. "Strojno učenje svojstava materijala na podacima različite točnosti." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, Fran. "Strojno učenje svojstava materijala na podacima različite točnosti." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, F. (2024). 'Strojno učenje svojstava materijala na podacima različite točnosti', Master's thesis, University of Zagreb, Faculty of Science, accessed 26 March 2025, https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić F. Strojno učenje svojstava materijala na podacima različite točnosti [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2024 [cited 2025 March 26] Available at: https://urn.nsk.hr/urn:nbn:hr:217:460693

F. Krčelić, "Strojno učenje svojstava materijala na podacima različite točnosti", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:217:460693

Metadata
TitleStrojno učenje svojstava materijala na podacima različite točnosti
Title (english)Multi-fidelity machine learning of material properties
AuthorFran Krčelić
MentorIvor Lončarić (mentor)
MentorNikola Poljak (komentor)
Committee memberNikola Poljak (predsjednik povjerenstva)
Committee memberIvor Lončarić (član povjerenstva)
Committee memberDavor Horvatić (član povjerenstva)
Committee memberDanko Radić (član povjerenstva)
Committee memberMaro Cvitan (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Physics)
Zagreb
Defense date and country2024-10-21, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Physics
Abstract
Ovaj rad istražuje primjenu ekvivarijantnih graf neuralnih mreža s nasumičnim Fourierovim značajkama u predikciji energije molekula. Kombinirajući dva seta podataka različite točnosti, ANI-1x i ANI-1ccx, sastavljenih od energija organskih molekula baziranih na H, C, N, O elementima, model je usmjeren na poboljšanje prediktivne moći kroz dublje razumijevanje međuatomske interakcije. ANI-1x sadrži podatke generirane teorijom funkcionala gustoće za molekule izabrane aktivnim učenjem, omogućujući... More bolju generalizaciju s manjim brojem podataka, dok ANI-1ccx uključuje visoko precizne energije računane teorijom spregnutih grozdova. Treniranjem s različitim omjerima ovih setova pokazano je da povećanje količine ANI-1x podataka u trening setu rezultira boljom prediktivnom moći modela. Također, diskutirana je primjena ovoga pristupa na složenije sustave kao što su molekularni kristali. Ovakva metoda otvara nove mogućnosti za preciznije modeliranje u fizici, kemiji i znanosti o materijalima. Less
Abstract (english)
This thesis explores the application of equivariant graph neural networks with random Fourier features in predicting molecular energy. By combining two datasets of different accuracies, ANI-1x and ANI-1ccx, consisting of energies of organic molecules based on H, C, N, and O elements, the model aims to enhance predictive power through a deeper understanding of interatomic interactions. ANI-1x contains data generated with density functional theory for molecules selected through active... More learning, which allows for better generalization with fewer data points, while ANI-1ccx provides highly accurate energy values calculated using coupled-cluster methods. Training with various ratios of these datasets demonstrated that increasing the amount of ANI-1x data in the training set results in improved predictive power of the model. Additionally, the application of this approach to more complex systems, such as molecular crystals, was discussed. This method opens new possibilities for more accurate modeling in physics, chemistry and materials science. Less
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:460693
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
Terms of useLicence In copyright icon
Created on2025-02-01 09:18:28
accessibility

closeAccessibilityrefresh

If you wish to permanently save changes, click on Save, if not - your settings will be reset when you restart the browser.