prikaz prve stranice dokumenta Aktivno učenje interatomskih potencijala za predikciju kristalne strukture
  Preuzmi
PDF 7.55 MB
diplomski rad
Aktivno učenje interatomskih potencijala za predikciju kristalne strukture
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. urn:nbn:hr:217:041725
Jurdana, Janko
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Jurdana, J. (2023). Aktivno učenje interatomskih potencijala za predikciju kristalne strukture (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:041725

Jurdana, Janko. "Aktivno učenje interatomskih potencijala za predikciju kristalne strukture." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:041725

Jurdana, Janko. "Aktivno učenje interatomskih potencijala za predikciju kristalne strukture." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:041725

Jurdana, J. (2023). 'Aktivno učenje interatomskih potencijala za predikciju kristalne strukture', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 09.05.2024., https://urn.nsk.hr/urn:nbn:hr:217:041725

Jurdana J. Aktivno učenje interatomskih potencijala za predikciju kristalne strukture [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 09.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:041725

J. Jurdana, "Aktivno učenje interatomskih potencijala za predikciju kristalne strukture", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:041725

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:041725
Podaci o radu
NaslovAktivno učenje interatomskih potencijala za predikciju kristalne strukture
Naslov (engleski)Active learning of interatomic potentials for crystal structure prediction
AutorJanko Jurdana
MentorIvor Lončarić (mentor)
MentorDanko Radić (komentor)
Član povjerenstvaDanko Radić (predsjednik povjerenstva)
Član povjerenstvaIvor Lončarić (član povjerenstva)
Član povjerenstvaDavor Horvatić (član povjerenstva)
Član povjerenstvaAndrej Novak (član povjerenstva)
Član povjerenstvaMatko Glunčić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2023-07-13, 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
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:041725
ProjektŠifra: 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 programNaziv: Fizika; smjerovi: Istraživački
Smjer: Istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani prijediplomski i diplomski
Akademski / stručni naziv: sveučilišni magistar fizike (univ. mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-02-15 14:32:22