Analysis of topological magnetic phases using generative machine learning models
| Název práce v češtině: | Analýza topologických magnetických fáz pomocí generativních modelů strojového učení |
|---|---|
| Název v anglickém jazyce: | Analysis of topological magnetic phases using generative machine learning models |
| Klíčová slova: | strojové učenie|neurónové siete|magnetické skyrmióny |
| Klíčová slova anglicky: | machine learning|neural networks|magnetic skyrmions |
| Akademický rok vypsání: | 2022/2023 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra fyziky kondenzovaných látek (32-KFKL) |
| Vedoucí / školitel: | RNDr. Pavel Baláž, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 21.10.2022 |
| Datum zadání: | 21.10.2022 |
| Datum potvrzení stud. oddělením: | 21.04.2023 |
| Datum a čas obhajoby: | 08.02.2024 09:00 |
| Datum odevzdání elektronické podoby: | 10.01.2024 |
| Datum odevzdání tištěné podoby: | 08.02.2024 |
| Datum proběhlé obhajoby: | 08.02.2024 |
| Oponenti: | RNDr. Martin Žonda, Ph.D. |
| Zásady pro vypracování |
| (i) vytvorenie autoenkodéru, alebo iného generatívneho modelu strojového učenia, vhodného na analýzu magnetických konfigurácií získaných z numerických simulácii dvojrozmerného Heisenbergovho modelu na štvorcovej mriežke
(ii) tréning vytvoreného generatívneho modelu na základe fyzikálnych vlastností daných konfigurácií (iii) aplikácia natrénovaného generatívneho modelu pri štúdiu fázových diagramov skúmaného fyzikálneho systému, alebo generovaní nových magnetických konfigurácií |
| Seznam odborné literatury |
| 1. Francois Chollet, Deep learning v jazyky Python, Grada Publishing (2019).
2. I. A. Iakovlev, O. M. Sotnikov, and V. V. Mazurenko, Supervised Learning Approach for Recognizing Magnetic Skyrmion Phases, Phys. Rev. B 98, 174411 (2018). 3. P. Baláž, M. Paściak, J. Hlinka, Melting of Neel Skyrmion Lattice, Phys. Rev. B 103, 174411 (2021). 4. H. Y. Kwon, H. G. Yoon, S. M. Park, D. B. Lee, J. W. Choi, and C. Won, Magnetic State Generation Using Hamiltonian Guided Variational Autoencoder with Spin Structure Stabilization, Advanced Science 8, 2004795 (2021). 5. N. Walker, K.-M. Tam, and M. Jarrell, Deep Learning on the 2-Dimensional Ising Model to Extract the Crossover Region with a Variational Autoencoder, Sci Rep 10, 13047 (2020). 6. Guo, X., Liu, X., Zhu, E., Yin, J. (2017). Deep Clustering with Convolutional Autoencoders. In: Liu, D., Xie, S., Li, Y., Zhao, D., El-Alfy, ES. (eds) Neural Information Processing. ICONIP 2017. Lecture Notes in Computer Science, vol 10635. Springer, Cham. 7. Akinori Tanaka, Akio Tomiya, Koji Hashimoto, Deep Learning and Physics, Springer Singapore (2021). |