prikaz prve stranice dokumenta Machine learning in solid-state physics and statistical physics
  Preuzmi
PDF 3.38 MB
diplomski rad
Machine learning in solid-state physics and statistical physics
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2018. urn:nbn:hr:217:394430
Vrček, Lovro
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Vrček, L. (2018). Machine learning in solid-state physics and statistical physics (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:394430

Vrček, Lovro. "Machine learning in solid-state physics and statistical physics." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2018. https://urn.nsk.hr/urn:nbn:hr:217:394430

Vrček, Lovro. "Machine learning in solid-state physics and statistical physics." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2018. https://urn.nsk.hr/urn:nbn:hr:217:394430

Vrček, L. (2018). 'Machine learning in solid-state physics and statistical physics', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 04.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:394430

Vrček L. Machine learning in solid-state physics and statistical physics [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2018 [pristupljeno 04.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:394430

L. Vrček, "Machine learning in solid-state physics and statistical physics", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2018. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:394430

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:394430
Podaci o radu
NaslovMachine learning in solid-state physics and statistical physics
Naslov (hrvatski)Strojno učenje u fizici čvrstog stanja i statističkoj fizici
AutorLovro Vrček
MentorVinko Zlatić (mentor)
MentorIvo Batistić (mentor)
Član povjerenstvaIvo Batistić (predsjednik povjerenstva)
Član povjerenstvaVinko Zlatić (član povjerenstva)
Član povjerenstvaDamir Pajić (član povjerenstva)
Član povjerenstvaDavor Horvatić (član povjerenstva)
Član povjerenstvaEmil Tafra (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2018-07-05, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
In this work, we study an alternative approach to simulating molecular dynamics of large systems over long time periods; the one using machine learning instead of DFT. Studied system is a ruthenium surface which is interacting with hydrogen atoms. We use neural networks to obtain the regression model for the studied system, and train several different architectures of neural networks in order to find the optimal one. For input we use Gaussian descriptors which take Cartesian coordinates of the atoms and translate them in a more suitable form. In this case, there are 20 descriptors for each type of atoms, meaning that input layer of neural network has in total 40 nodes. Optimal architecture was found to be the one with three hidden layers with 50, 30, and 10 nodes, respectively. It was shown how our regression model behaves depending on number of training steps, importance of used descriptors was analyzed, and it was shown how model behaves if Zernike descriptors are used instead of Gaussian, or if cutoff radius is altered.
Sažetak (hrvatski)
U ovom radu proučavamo alternativni pristup simuliranju molekularne dinamike velikih sustava preko dugih vremenskih perioda; korištenje strojnog učenja umjesto DFT-a. Proučavani sustav sastoji se od površine rutenija koja međudjeluje s atomima vodika. Za konstruiranje regresijskog modela koristimo neuronske mreže te treniramo nekoliko različitih arhitektura mreža kako bismo našli optimalnu. Kao ulaz koristimo Gaussove deskriptore koji kartezijeve koordinate atoma pretvore u oblik pogodniji za opis sustava. U ovom slučaju, postoji 20 deskriptora za svaku vrstu atoma, što znači da u ulaznom sloju neuronske mreže imamo 40 čvorova. Pokazano je da optimalna arhitektura neuronske mreže sadrži tri skrivena sloja, od kojih prvi ima 50 čvorova, drugi 30, a treći 10. Osim toga, pokazano je kako se taj regresijski model ponaša ovisno o broju koraka prilikom treniranja, analizirana je važnost korištenih deskriptora te je proučeno ponašanje modela u slučaju korištenja Zernike deskriptora umjesto Gaussovih, ili mijenjanja polumjera obuhvaćanja atoma.
Ključne riječi
Ključne riječi (hrvatski)
Jezikengleski
URN:NBNurn:nbn:hr:217:394430
Studijski programNaziv: Fizika; smjerovi: istraživački
Smjer: istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani preddiplomski i diplomski
Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2018-07-13 12:58:00