prikaz prve stranice dokumenta Strojno učenje svojstava materijala na podacima različite točnosti
  Preuzmi
PDF 2.54 MB
diplomski rad
Strojno učenje svojstava materijala na podacima različite točnosti
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. urn:nbn:hr:217:460693
Krčelić, Fran
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Krčelić, F. (2024). Strojno učenje svojstava materijala na podacima različite točnosti (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, Fran. "Strojno učenje svojstava materijala na podacima različite točnosti." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, Fran. "Strojno učenje svojstava materijala na podacima različite točnosti." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić, F. (2024). 'Strojno učenje svojstava materijala na podacima različite točnosti', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 22.03.2025., https://urn.nsk.hr/urn:nbn:hr:217:460693

Krčelić F. Strojno učenje svojstava materijala na podacima različite točnosti [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2024 [pristupljeno 22.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:460693

F. Krčelić, "Strojno učenje svojstava materijala na podacima različite točnosti", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:460693

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:460693
Podaci o radu
NaslovStrojno učenje svojstava materijala na podacima različite točnosti
Naslov (engleski)Multi-fidelity machine learning of material properties
AutorFran Krčelić
MentorIvor Lončarić (mentor)
MentorNikola Poljak (komentor)
Član povjerenstvaNikola Poljak (predsjednik povjerenstva)
Član povjerenstvaIvor Lončarić (član povjerenstva)
Član povjerenstvaDavor Horvatić (član povjerenstva)
Član povjerenstvaDanko Radić (član povjerenstva)
Član povjerenstvaMaro Cvitan (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2024-10-21, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
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... Više 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. Sakrij dio sažetka
Sažetak (engleski)
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... Više 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. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:460693
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 pohrane2025-02-01 09:18:28
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.