Strojové učení pro molekulární simulace
| Název práce v češtině: | Strojové učení pro molekulární simulace |
|---|---|
| Název v anglickém jazyce: | Machine learning for molecular simulations |
| Akademický rok vypsání: | 2020/2021 |
| Typ práce: | disertační práce |
| Jazyk práce: | čeština |
| Ústav: | Fyzikální ústav UK (32-FUUK) |
| Vedoucí / školitel: | RNDr. Ondřej Maršálek, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 08.09.2020 |
| Datum zadání: | 08.09.2020 |
| Datum potvrzení stud. oddělením: | 01.10.2020 |
| Zásady pro vypracování |
| - Podrobně se seznámit se současnou metodikou pro interakční potenciály založené na strojovém učení.
- Rozvíjet metodiku pro vývoj interakční potenciálů založených na neuronových sítích a pro tvorbu sad referenčních dat pomocí committee modelů. - Aplikovat vyvinuté metody na popis a studium molekulárních systémů v kondenzované fázi, včetně popisu jaderných kvantových jevů. - Studovat možnosti využití strojového učení pro další aspekty modelování molekulárních systemů, například dalekodosahové interakce, elektronová struktura, nebo molekulární vlastnosti. - Výsledky práce publikovat v kvalitních zahraničních časopisech. |
| Seznam odborné literatury |
| Machine Learning Meets Quantum Physics
editors: Kristof T. Schütt, Stefan Chmiela, O. Anatole von Lilienfeld, Alexandre Tkatchenko, Koji Tsuda Klaus-Robert Müller Lecture Notes in Physics book series, volume 968 https://doi.org/10.1007/978-3-030-40245-7 Perspective: Machine learning potentials for atomistic simulations J. Behler J. Chem. Phys. 145, 170901 (2016) https://doi.org/10.1063/1.4966192 Machine learning unifies the modeling of materials and molecules A.P. Bartók, S. De, C. Poelking, N. Bernstein, J.R. Kermode, G. Csányi, and M. Ceriotti Sci. Adv. 3, e1701816 (2017) https://doi.org/10.1126/sciadv.1701816 |
| Předběžná náplň práce |
| Strojové učení se rychle stává zásadní součástí sady nástrojů pro molekulární simulace. V posledních letech byl potenciál tohoto přístupu ukázán v rozličných oblastech. Obzvláště významná
je mezi nimi reprezentace ab initio potenciálových nadploch pomocí potenciálů založených na neuronových sítích. I přes potenciál, který tato metodika pro popis molekulárních interakcí má, zůstává mnoho otázek otevřených a konstrukce těchto potenciálů není přímočará. Tato disertační práce se bude soustředit na metodiku systematické tvorby těchto modelů a na jejich aplikaci na molekulární systémy v kondenzované fázi, obzvláště s vodíkovými vazbami a protonovými defekty. Podstatně nižší výpočetní náklady, ve srovnání s původní ab initio metodou, umožňují klasické a dráhově integrální molekulárně dynamické simulace na škále, která je řádově větší ve srovnání se simulacemi čistě za použití ab initio metod. Použití strojového učení pro popis elektronové struktury a molekulárních vlastností je také slibné a bude v této práci zkoumáno. |
| Předběžná náplň práce v anglickém jazyce |
| Machine learning is quickly becoming a crucial component of the toolkit of methods for molecular simulations. In recent years, the potential of this approach has been shown across several different areas. Prominent among them is the representation of ab initio potential energy surfaces using neural network potentials. Despite the clear potential this methodology has for the description of molecular interactions, many questions remain open and the construction of these models is not straightforward. This doctoral thesis will focus on the methodology to systematically build these models and on their application to molecular systems in the condensed phase, particularly ones with hydrogen bonds and proton defects. The substantially decreased computational cost, compared to the source ab initio methods, enables classical and path integral molecular dynamics simulation on a scale orders of magnitude larger than with the ab initio methods alone. The use of machine learning for the treatment of electronic structure and molecular properties also shows promise and will be explored in this thesis. |